Ljudi donose skoro 35.000 odluka svakog dana, od toga da li je bezbedno preći put do toga šta da imaju za ručak. Svaka odluka uključuje odmeravanje opcija, pamćenje sličnih prošlih scenarija i osećaj razumnog uverenja u pravi izbor. Ono što može izgledati kao hitna odluka zapravo dolazi od prikupljanja dokaza iz okolnog okruženja. I često ista osoba donosi različite odluke u istim scenarijima u različito vreme.
Neuronske mreže rade suprotno, svaki put donose iste odluke. Sada ih istraživači iz Georgia Tech-a u laboratoriji vanrednog profesora Dobromira Rahneva obučavaju da donose odluke više kao ljudi. Ova nauka o ljudskom donošenju odluka tek se primenjuje na mašinsko učenje, ali razvoj neuronske mreže još bliže stvarnom ljudskom mozgu može je učiniti pouzdanijom, prema istraživačima.
U radu objavljenom u časopisu Priroda, ljudsko ponašanje, „Neuralna mreža RTNet pokazuje potpise ljudskog perceptivnog donošenja odluka“, tim sa Fakulteta psihologije otkriva novu neuronsku mrežu obučenu da donosi odluke slične ljudskim.
„Neuronske mreže donose odluku bez da vam kažu da li su uverene u svoju odluku ili ne“, rekao je Farshad Rafiei, koji je stekao doktorat. psihologije na Georgia Tech. „Ovo je jedna od suštinskih razlika u odnosu na to kako ljudi donose odluke.
Veliki jezički modeli (LLM), na primer, skloni su halucinacijama. Kada se LLM-u postavi pitanje na koje ne zna odgovor, on će izmisliti nešto bez priznavanja izmišljotine.
Nasuprot tome, većina ljudi u istoj situaciji će priznati da ne znaju odgovor. Izgradnja neuronske mreže više nalik čoveku može sprečiti ovu dvoličnost i dovesti do tačnijih odgovora.
Tim je trenirao svoju neuronsku mrežu na ručno pisanim ciframa iz poznatog skupa podataka iz računarske nauke pod nazivom MNIST i zamolio ga da dešifruje svaki broj. Da bi utvrdili tačnost modela, pokrenuli su ga sa originalnim skupom podataka, a zatim dodali buku ciframa kako bi ljudima bilo teže da ih razaznaju.
Da bi uporedili performanse modela sa ljudima, obučili su svoj model (kao i tri druga modela: CNet, BLNet i MSDNet) na originalnom skupu podataka MNIST bez buke, ali su ih testirali na bučnoj verziji korišćenoj u eksperimentima i uporedili rezultate sa dva skupa podataka.
Model istraživača se oslanjao na dve ključne komponente: Bajesovu neuronsku mrežu (BNN), koja koristi verovatnoću za donošenje odluka, i proces akumulacije dokaza koji prati dokaze za svaki izbor. BNN proizvodi odgovore koji su svaki put malo drugačiji. Kako prikuplja više dokaza, proces akumulacije ponekad može favorizovati jedan izbor, a ponekad drugi. Kada postoji dovoljno dokaza za odlučivanje, RTNet zaustavlja proces akumulacije i donosi odluku.
Istraživači su takođe tempirali brzinu donošenja odluka modela kako bi videli da li prati psihološki fenomen koji se zove „brzina-tačnost kompromisa“ koji diktira da su ljudi manje tačni kada moraju brzo da donose odluke.
Kada su imali rezultate modela, uporedili su ih sa ljudskim rezultatima. Šezdeset studenata Georgia Tech-a je pogledalo isti skup podataka i podelilo svoje poverenje u svoje odluke, a istraživači su otkrili da su stopa tačnosti, vreme odgovora i obrasci poverenja slični između ljudi i neuronske mreže.
„Uopšteno govoreći, nemamo dovoljno podataka o ljudima u postojećoj literaturi iz računarskih nauka, tako da ne znamo kako će se ljudi ponašati kada budu izloženi ovim slikama. Ovo ograničenje ometa razvoj modela koji tačno repliciraju ljudsko donošenje odluka “, rekao je Rafiei. „Ovaj rad pruža jedan od najvećih skupova podataka o ljudima koji reaguju na MNIST.“
Ne samo da je model tima nadmašio sve rivalske determinističke modele, već je bio i tačniji u scenarijima veće brzine zbog još jednog fundamentalnog elementa ljudske psihologije: RTNet se ponaša kao ljudi. Na primer, ljudi se osećaju sigurnije kada donose ispravne odluke. Čak i bez potrebe da se model posebno obučava da favorizuje samopouzdanje, model ga je automatski primenio, primetio je Rafiei.
„Ako pokušamo da naše modele približimo ljudskom mozgu, to će se pokazati u samom ponašanju bez finog podešavanja“, rekao je on.
Istraživački tim se nada da će obučiti neuronsku mrežu na raznovrsnijim skupovima podataka kako bi testirali njen potencijal. Oni takođe očekuju da primene ovaj BNN model na druge neuronske mreže kako bi im omogućili da racionalizuju više kao ljudi.
Na kraju, algoritmi neće moći samo da oponašaju naše sposobnosti donošenja odluka, već bi čak mogli da pomognu da se rastereti deo kognitivnog tereta tih 35.000 odluka koje donosimo dnevno.
