I ricercatori del Georgia Tech hanno sviluppato una rete neurale, RTNet, che imita i processi decisionali umani, tra cui la fiducia e la variabilità, migliorandone l’affidabilità e l’accuratezza in attività come il riconoscimento delle cifre.
RTNet imita i processi decisionali umani
Gli esseri umani prendono circa 35.000 decisioni al giorno, che vanno dal determinare se è sicuro attraversare la strada alla scelta di cosa mangiare a pranzo. Ogni decisione implica la valutazione di opzioni, il ricordo di situazioni passate simili e la sensazione di essere ragionevolmente sicuri della scelta giusta.
Questo che potrebbe sembrare una decisione immediata in realtà deriva dalla raccolta di prove dall’ambiente. Inoltre, la stessa persona potrebbe prendere decisioni diverse in scenari identici in momenti diversi.Le reti neurali fanno l’opposto, prendendo sempre le stesse decisioni.
Una rete neurale ancora più vicina al cervello umano
I ricercatori del Georgia Tech nel laboratorio del Professore associato Dobromir Rahnev li stanno addestrando a prendere decisioni più simili agli umani. Questa scienza del processo decisionale umano è appena stata applicata all’apprendimento automatico, ma sviluppare una rete neurale ancora più vicina al cervello umano potrebbe renderla più affidabile, secondo i ricercatori.
In uno studio pubblicato su Nature Human Behaviour, un team della Facoltà di Psicologia ha descritto la nuova rete neurale RTNet addestrata a prendere decisioni in modo simile a quello umano.
“Le reti neurali prendono una decisione senza dirti se sono sicure o meno della loro decisione”, ha affermato Farshad Rafiei, che ha conseguito il dottorato di ricerca in psicologia presso il Georgia Tech: “Questa è una delle differenze essenziali rispetto al modo in cui le persone prendono decisioni”.
I modelli linguistici di grandi dimensioni (LLM), ad esempio, sono inclini alle allucinazioni. Quando a un LLM viene posta una domanda a cui non sa rispondere, inventerà qualcosa senza riconoscere l’artificio. Al contrario, la maggior parte degli umani nella stessa situazione ammetterà di non sapere la risposta. Costruire una rete neurale più simile a quella umana può prevenire questa duplicità e portare a risposte più accurate.
Il team ha addestrato RTNet su cifre scritte a mano da un famoso set di dati di informatica chiamato MNIST e gli ha chiesto di decifrare ogni numero. Per determinare l’accuratezza del modello, lo hanno eseguito con il set di dati originale e poi hanno aggiunto rumore alle cifre per renderle più difficili da discernere per gli umani.
Per confrontare le prestazioni di RTNet con gli umani, l’hanno addestrata (così come altri tre modelli: CNet, BLNet e MSDNet) sul set di dati MNIST originale senza rumore, ma li hanno testati sulla versione rumorosa utilizzata negli esperimenti e hanno confrontato i risultati dei due set di dati.
Il modello dei ricercatori si è basato su due componenti chiave: una rete neurale bayesiana (BNN), che usa la probabilità per prendere decisioni, e un processo di accumulo di prove che tiene traccia delle prove per ogni scelta. La BNN produce risposte leggermente diverse ogni volta.
Man mano che raccoglie più prove, il processo di accumulo può a volte favorire una scelta e a volte un’altra. Una volta che ci sono prove sufficienti per decidere, la RTNet interrompe il processo di accumulo e prende una decisione.
I ricercatori hanno anche cronometrato la velocità decisionale del modello per verificare se segue un fenomeno psicologico chiamato “compromesso velocità-accuratezza“, che fa sì che gli esseri umani siano meno precisi quando devono prendere decisioni rapidamente.
Una volta ottenuti i risultati di RTNet, li hanno confrontati con i risultati degli umani. Sessanta studenti della Georgia Tech hanno visualizzato lo stesso set di dati e hanno condiviso la loro fiducia nelle loro decisioni, e i ricercatori hanno scoperto che il tasso di accuratezza, il tempo di risposta e i modelli di fiducia erano simili tra gli umani e la rete neurale.
“In generale, non abbiamo abbastanza dati umani nella letteratura informatica esistente, quindi non sappiamo come si comporteranno le persone quando saranno esposte a queste immagini. Questa limitazione ostacola lo sviluppo di modelli che replicano accuratamente il processo decisionale umano“, ha affermato Rafiei: “Questo lavoro fornisce uno dei più grandi set di dati di esseri umani che rispondono a MNIST”.
Non solo il modello del team ha superato tutti i modelli deterministici rivali, ma è stato anche più accurato in scenari ad alta velocità grazie a un altro elemento fondamentale della psicologia umana: RTNet si comporta come gli umani.
Ad esempio, le persone si sentono più sicure quando prendono decisioni corrette. Senza nemmeno dover addestrare il modello specificamente per favorire la sicurezza, RTNet l’ha applicata automaticamente, ha osservato Rafiei.
“Se proviamo ad avvicinare i nostri modelli al cervello umano, questo si vedrà nel comportamento stesso, senza bisogno di aggiustamenti“, ha aggiunto.
Conclusioni
Il team di ricerca spera di addestrare RTNet su set di dati più vari per testarne il potenziale. Si aspettano anche di applicare questo modello BNN ad altre reti neurali per consentire loro di razionalizzare in modo più simile agli umani. Alla fine, gli algoritmi non saranno solo in grado di emulare le nostre capacità decisionali, ma potrebbero anche aiutarci a scaricare parte del peso cognitivo di quelle 35.000 decisioni che prendiamo ogni giorno.
