かんたんに言うと
人間の評価を使ってAIの返答を好ましい方向に調整する訓練方法です。
もう一歩くわしく
Reinforcement Learning from Human Feedback（人間のフィードバックによる強化学習）の略です。同じ質問への複数の回答を人間が比較評価し、その好みを学習させます。ChatGPTが自然な受け答えをするようになった要因のひとつで、安全性の確保にも使われています。
関連する用語
人間の評価を使ってAIの返答を好ましい方向に調整する訓練方法です。
Reinforcement Learning from Human Feedback（人間のフィードバックによる強化学習）の略です。同じ質問への複数の回答を人間が比較評価し、その好みを学習させます。ChatGPTが自然な受け答えをするようになった要因のひとつで、安全性の確保にも使われています。