Los seres humanos toman alrededor de 35.000 decisiones cada día, desde si es seguro cruzar la calle hasta qué almorzar. Cada decisión implica sopesar las opciones, recordar escenarios similares del pasado y sentirse razonablemente seguro de la elección correcta. Lo que parece una decisión rápida en realidad surge de la recopilación de evidencia del entorno circundante. Y muchas veces la misma persona toma decisiones diferentes en el mismo escenario en momentos diferentes.
Las redes neuronales hacen lo contrario: toman siempre las mismas decisiones. Ahora, los investigadores de Georgia Tech en el laboratorio del profesor asociado Dobromir Rahnev los están entrenando para que tomen decisiones similares a las de los humanos. Esta ciencia de la toma de decisiones humanas sólo se aplica al aprendizaje automático, pero según los investigadores, desarrollar una red neuronal más cercana al cerebro humano real podría hacerla más confiable.
yo en un papel La naturaleza es el comportamiento humano.“La red neuronal RTnet muestra firmas de la toma de decisiones cognitivas humanas”, un equipo de la Facultad de Psicología ha revelado una nueva red neuronal entrenada para tomar decisiones similares a las humanas.
Decisión de decodificación
“Las redes neuronales toman decisiones sin decirte si confían en su decisión”, dijo Farshad Rafiei, quien recibió su doctorado. en psicología en Georgia Tech. “Es una distinción necesaria de cómo la gente toma decisiones”.
Los modelos de lenguaje grande (LLM), por ejemplo, son propensos a generar ilusiones. Cuando a un LLM se le hace una pregunta cuya respuesta no sabe, creará algo sin reconocer el arte. Por el contrario, la mayoría de los humanos en la misma situación admitirían que no saben la respuesta. La creación de una red neuronal más parecida a la humana puede evitar esta oscilación y conducir a respuestas más precisas.
Modelado
El equipo entrenó su red neuronal con dígitos escritos a mano de un popular conjunto de datos informáticos llamado MNIST y le pidió que entendiera cada número. Para determinar la precisión del modelo, lo ejecutaron en el conjunto de datos original y luego agregaron ruido a los números para que fuera difícil de entender para los humanos. Para comparar el rendimiento del modelo con el de los humanos, entrenaron su modelo (así como otros tres modelos: CNet, BLNet y MSDNet) en el conjunto de datos MNIST original sin ruido, pero en la versión ruidosa utilizada en los experimentos. Los probaron y compararon. resultados. Dos conjuntos de datos.
El modelo de los investigadores se basó en dos componentes principales: una red neuronal bayesiana (BNN), que utiliza la probabilidad para tomar decisiones, y un proceso de acumulación de evidencia que rastrea la evidencia para cada elección. BNN genera respuestas que son ligeramente diferentes cada vez. A medida que se reúnen más pruebas, la acumulación a veces favorece una opción y otras veces la otra. Una vez que hay suficiente evidencia para tomar una decisión, RTNet detiene el proceso de agregación y toma una decisión.
Los investigadores también cronometraron la velocidad de toma de decisiones del modelo para ver si obedecía a un fenómeno psicológico llamado “compromiso entre velocidad y precisión”, que sugiere que los humanos son menos precisos cuando se enfrentan a decisiones inmediatas.
Después de los resultados del modelo, los compararon con los resultados de humanos. Sesenta estudiantes de Georgia Tech observaron el mismo conjunto de datos y expresaron su confianza en sus decisiones, y los investigadores descubrieron que las tasas de precisión, los tiempos de respuesta y los patrones de confianza eran similares entre los humanos y las redes neuronales.
“En general, no tenemos suficientes datos humanos en la literatura informática actual, por lo que no sabemos cómo se comportará la gente cuando esté expuesta a estas imágenes. Esta limitación obstaculiza el desarrollo de modelos que predicen el juicio humano. Copia la composición correctamente”, dijo Rafi. “Este trabajo proporciona el mayor conjunto de datos de humanos que responden a MNIST”.
El modelo del equipo no sólo superó a todos los modelos deterministas competidores, sino que también fue más preciso en escenarios de alta velocidad debido a otro elemento fundamental de la psicología humana: RTNet se comporta como humanos. Por ejemplo, las personas se sienten más seguras cuando toman decisiones acertadas. Rafi señaló que sin entrenar específicamente el modelo a favor de la confianza, el modelo lo implementó automáticamente.
“Si intentamos aproximar nuestros modelos al cerebro humano, se manifestará en un comportamiento sin ningún ajuste”, dijo.
El equipo de investigación espera entrenar la red neuronal en conjuntos de datos más diversos para probar su capacidad. También esperan aplicar este modelo BNN a otras redes neuronales para que puedan exhibir una racionalidad más parecida a la humana. Con el tiempo, los algoritmos no sólo podrán emular nuestra capacidad de toma de decisiones, sino también ayudar a aliviar parte de la carga cognitiva de las 35.000 decisiones que tomamos cada día.
