Ludzie podejmują codziennie tysiące decyzji, od prostych, takich jak przejście przez ulicę, po bardziej skomplikowane, takie jak wybór jedzenia. Badacze z Georgia Tech opracowali sieć neuronową, która naśladuje ludzkie decyzje, mając na celu zbliżenie się do ludzkiego sposobu myślenia i podejmowania decyzji. Ta sieć, nazwana RTNet, wykorzystuje Bayesowską sieć neuronową (BNN) oraz proces akumulacji dowodów, aby podejmować decyzje w sposób podobny do ludzi.

Dekodowanie decyzji
"Sieci neuronowe zazwyczaj podejmują decyzje bez wyrażania poziomu pewności co do tych decyzji," powiedział Farshad Rafiei, doktor psychologii z Georgia Tech. "To jedna z kluczowych różnic w porównaniu do ludzi." Ta nowa sieć może jednak dostarczać odpowiedzi, które zawierają stopień pewności, co jest kluczowym krokiem w kierunku ludzkiego zachowania w podejmowaniu decyzji.

Duże modele językowe (LLM) często wymyślają odpowiedzi, gdy nie znają dokładnych informacji. W przeciwieństwie do nich, ludzie przyznają się do niewiedzy w podobnych sytuacjach. Budowanie sieci, które lepiej naśladują ludzkie reakcje, może zmniejszyć tego typu błędy i poprawić dokładność odpowiedzi.

Tworzenie modelu
Zespół z Georgia Tech trenował swoją sieć na ręcznie pisanych cyfrach z dobrze znanego zbioru danych MNIST. Aby przetestować dokładność modelu, dodali szum do obrazów, co utrudniło rozpoznanie cyfr. Model został następnie porównany z wynikami ludzkich uczestników. Sześćdziesięciu studentów obserwowało te same obrazy i wyrażało swoją pewność co do decyzji, a wyniki wykazały podobieństwa w dokładności, czasie reakcji i wzorcach pewności między ludźmi a siecią.

Badacze używali dwóch kluczowych komponentów: BNN, która wykorzystuje prawdopodobieństwo do podejmowania decyzji, oraz procesu akumulacji dowodów, który śledzi dowody dla każdego wyboru. BNN produkuje różne odpowiedzi za każdym razem, a proces akumulacji może faworyzować jeden wybór nad drugim, aż do zebrania wystarczającej ilości dowodów na podjęcie decyzji.

Przetestowano również szybkość podejmowania decyzji, śledząc zjawisko znane jako "kompromis między szybkością a dokładnością," które nakazuje, że ludzie podejmują mniej dokładne decyzje, gdy są pod presją czasu. Wyniki wykazały, że model RTNet naśladuje to zjawisko.

Badacze odkryli również, że RTNet zachowuje się jak ludzie w zakresie pewności decyzji - ludzie czują się pewniej, gdy ich decyzje są poprawne, a RTNet wykazał podobne cechy bez specjalnego szkolenia w tym zakresie.

Przyszłość badań
Zespół planuje rozszerzyć badania, trenując sieć na bardziej zróżnicowanych zbiorach danych, aby przetestować jej potencjał. Oczekuje się, że ten model zostanie zastosowany do innych sieci neuronowych, aby umożliwić racjonalizację decyzji podobnie jak ludzie. W dłuższej perspektywie algorytmy mogą pomóc w zmniejszeniu obciążenia poznawczego wynikającego z tych tysięcy decyzji, które podejmujemy codziennie.

Dodatkowo, badania na MIT rozwijają elastyczne sieci, znane jako "płynne" sieci neuronowe, które dostosowują się do zmieniających się warunków i umożliwiają lepsze zrozumienie i diagnozowanie decyzji sieci. Te sieci wykazały wysoką dokładność w przewidywaniu przyszłych wartości w różnych zbiorach danych, w tym chemii atmosfery i wzorców ruchu drogowego.

Badacze z Stanforda badają, jak sieci neuronowe mogą pomóc w złożonych zadaniach, takich jak przewidywanie wyników na podstawie historii nagród i oceny ryzyka, co mogłoby poprawić podejmowanie decyzji w nieznanych sytuacjach.

Ostatecznie celem jest opracowanie algorytmów, które nie tylko naśladują nasze zdolności decyzyjne, ale mogłyby nawet pomóc w zmniejszeniu obciążenia poznawczego, które nosimy codziennie.

Źródło: Georgia Institute of Technology