Ljudi svakodnevno donose tisuće odluka, od jednostavnih, poput prelaska ceste, do složenijih, kao što su odabiri hrane. Istraživači na Georgia Techu razvili su neuronsku mrežu koja oponaša ljudske odluke, s ciljem da se približe ljudskom načinu razmišljanja i odlučivanja. Ova mreža, nazvana RTNet, koristi Bayesovsku neuronsku mrežu (BNN) i proces akumulacije dokaza kako bi donosila odluke na način sličan ljudima.

Dekodiranje odluka
"Neuronske mreže obično donose odluke bez izražavanja razine sigurnosti u svoje odluke," rekao je Farshad Rafiei, doktor psihologije s Georgia Techa. "To je jedna od ključnih razlika u odnosu na ljude." Ova nova mreža, međutim, može pružiti odgovore koji uključuju stupanj sigurnosti, što je ključni korak prema ljudskom ponašanju u odlučivanju.

Veliki jezični modeli (LLM) često izmišljaju odgovore kada ne znaju točne informacije. Za razliku od njih, ljudi će priznati neznanje u sličnim situacijama. Izgradnja mreža koje bolje oponašaju ljudske reakcije može smanjiti ovu vrstu pogrešaka i poboljšati točnost odgovora.

Izrada modela
Tim s Georgia Techa trenirao je svoju mrežu na rukom pisanim brojkama iz poznatog MNIST skupa podataka. Kako bi testirali točnost modela, dodali su šum slikama, što je otežalo prepoznavanje brojeva. Model je potom uspoređen s rezultatima ljudskih ispitanika. Šezdeset studenata promatralo je iste slike i izražavalo svoju sigurnost u odluke, a rezultati su pokazali sličnosti u točnosti, vremenu reakcije i obrascima sigurnosti između ljudi i mreže.

Istraživači su koristili dvije ključne komponente: BNN, koja koristi vjerojatnost za donošenje odluka, i proces akumulacije dokaza, koji prati dokaze za svaki izbor. BNN proizvodi različite odgovore svaki put, a proces akumulacije može favorizirati jedan izbor nad drugim dok se ne prikupi dovoljno dokaza za odluku.

Brzina donošenja odluka također je testirana, prateći fenomen poznat kao "brzinsko-točnostni kompromis" koji nalaže da ljudi donose manje točne odluke kada su pod vremenskim pritiskom. Rezultati su pokazali da model RTNet oponaša ovaj fenomen.

Istraživači su također otkrili da se RTNet ponaša kao ljudi u smislu sigurnosti odluka - ljudi se osjećaju sigurnije kada su njihove odluke ispravne, a RTNet je pokazao slične karakteristike bez posebnog treniranja za to.

Budućnost istraživanja
Tim planira proširiti istraživanje treniranjem mreže na raznovrsnijim skupovima podataka kako bi testirali njen potencijal. Očekuje se primjena ovog modela na druge neuronske mreže kako bi se omogućilo racionaliziranje odluka slično ljudima. Dugoročno gledano, algoritmi bi mogli pomoći u rasterećenju kognitivnog opterećenja od tih tisuća odluka koje donosimo svakodnevno.

Pored toga, istraživanja na MIT-u razvijaju fleksibilne mreže, poznate kao "tekuće" neuronske mreže, koje se prilagođavaju promjenjivim uvjetima i omogućuju bolje razumijevanje i dijagnostiku mrežnih odluka. Ove mreže pokazale su visoku točnost u predviđanju budućih vrijednosti u raznim skupovima podataka, uključujući kemiju atmosfere i prometne obrasce.

Istraživači sa Stanforda istražuju kako neuronske mreže mogu pomoći u složenim zadacima kao što je predviđanje ishoda na temelju povijesti nagrađivanja i procjene rizika, što bi moglo poboljšati donošenje odluka u nepoznatim situacijama.

Na kraju, cilj je razviti algoritme koji ne samo da oponašaju naše sposobnosti donošenja odluka, već bi mogli čak pomoći u smanjenju kognitivnog opterećenja koje nosimo svakodnevno.

Izvor: Georgia Institute of Technology