Простыми словами
Например, модель учится отличать спам от обычных писем, а затем получает сообщение, которого буквально не было в обучающей выборке. Поэтому результат проверяют на данных и отдельной выборке, а не только на впечатляющем примере - иначе модель может выглядеть убедительно и при этом ошибаться на реальных случаях.
Механизм действия
Сначала проверяют, есть ли исходное условие из определения. Затем смотрят, как оно влияет на условия, ограничения, взаимодействия и наблюдаемые последствия. Если эту связь не удаётся наблюдать, принцип не стоит использовать как готовое объяснение.
Пример в работе
Решение принимают без учета механизма «Reward Hacking», оценивая только ближайший эффект.
Перед изменением проверяют, как «Reward Hacking» влияет на ограничения, стимулы, зависимости и вторичные последствия.
Ограничения
«Reward Hacking» объясняет только часть происходящего в области «AI и машинное обучение». Сам принцип не говорит, насколько сильным будет эффект в вашем случае, и не заменяет измерения. При другом масштабе, среде или временном горизонте результат может отличаться.
Источник
Dario Amodei et al., “Concrete Problems in AI Safety”, 2016.