בינה מלאכותית לומדת לחשוב כמו בני אדם: מחליף משחק בלמידת מכונה

חוקרי ג'ורג'יה טק פיתחו רשת עצבית, RTNet, המחקה תהליכי קבלת החלטות אנושיים, כולל ביטחון ושונות, ומשפרת את המהימנות שלה דיוק במשימות כמו זיהוי ספרות.

בני אדם מקבלים כמעט 35,000 החלטות בכל יום, החל מקביעה אם זה בטוח לחצות את הכביש ועד לבחירת מה לאכול לארוחת צהריים. כל החלטה כרוכה בהערכת אפשרויות, היזכרות במצבי עבר דומים והרגשה סבירה של ביטחון לגבי הבחירה הנכונה. מה שעשוי להיראות כהחלטה מהירה נובעת למעשה מאיסוף ראיות מהסביבה. בנוסף, אותו אדם עשוי לקבל החלטות שונות בתרחישים זהים בזמנים שונים.

רשתות עצביות עושות את ההיפך, ומקבלות את אותן החלטות בכל פעם. כעת, חוקרי ג'ורג'יה טק במעבדתו של פרופסור חבר דוברומיר רחנב מאמנים אותם לקבל החלטות דומות יותר לבני אדם. המדע הזה של קבלת החלטות אנושיות מיושם רק עכשיו למידת מכונהאך פיתוח רשת עצבית קרובה אפילו יותר למוח האנושי בפועל עשוי להפוך אותה לאמינה יותר, לפי החוקרים.

בעיתון ב טבע התנהגות אנושיתצוות מבית הספר לפסיכולוגיה חושף רשת עצבית חדשה שהוכשרה לקבל החלטות דומות לבני אדם.

החלטת פענוח

"רשתות עצביות מקבלות החלטה מבלי לומר לך אם הן בטוחות או לא בטוחות לגבי ההחלטה שלהן", אמר פרשד רפי, שרכש את הדוקטורט שלו. בפסיכולוגיה בג'ורג'יה טק. "זהו אחד ההבדלים המהותיים מהאופן שבו אנשים מקבלים החלטות."

מודלים של שפה גדולה (LLM), למשל, נוטים להזיות. כאשר שואלים LLM שאלה שהוא לא יודע את התשובה עליה, זה יפיק משהו בלי להכיר במלאכות. לעומת זאת, רוב בני האדם באותו מצב יודו שהם לא יודעים את התשובה. בניית רשת עצבית דמוית אנושית יכולה למנוע כפילות זו ולהוביל לתשובות מדויקות יותר.

הכנת הדגם

הצוות אימן את הרשת העצבית שלהם על ספרות בכתב יד מתוך מערך נתונים מפורסם של מדעי המחשב בשם MNIST וביקש ממנו לפענח כל מספר. כדי לקבוע את דיוק המודל, הם הריצו אותו עם מערך הנתונים המקורי ולאחר מכן הוסיפו רעש לספרות כדי להקשות על בני אדם להבחין. כדי להשוות את ביצועי המודל מול בני אדם, הם אימנו את המודל שלהם (כמו גם שלושה מודלים אחרים: CNet, BLNet ו-MSDNet) על מערך הנתונים המקורי של MNIST ללא רעש, אך בדקו אותם על הגרסה הרועשת ששימשה בניסויים והשוו תוצאות שני מערכי הנתונים.

המודל של החוקרים הסתמך על שני מרכיבים מרכזיים: רשת עצבית בייסיאנית (BNN), המשתמשת בהסתברות לקבלת החלטות, ותהליך צבירת ראיות שעוקב אחר העדויות לכל בחירה. ה-BNN מייצר תגובות מעט שונות בכל פעם. ככל שהוא אוסף ראיות נוספות, תהליך ההצטברות יכול לפעמים להעדיף בחירה אחת ולפעמים אחרת. ברגע שיש מספיק ראיות להחליט, ה-RTNet עוצר את תהליך הצבירה ומקבל החלטה.

החוקרים גם תזמנו את מהירות קבלת ההחלטות של המודל כדי לראות אם הוא עוקב אחר תופעה פסיכולוגית הנקראת "החלפה בין מהירות-דיוק" שמכתיבה שבני אדם פחות מדויקים כאשר עליהם לקבל החלטות במהירות.

ברגע שהיו להם תוצאות של המודל, הם השוו אותם לתוצאות של בני אדם. 60 סטודנטים של Georgia Tech צפו באותו מערך נתונים ושיתפו את הביטחון שלהם בהחלטותיהם, והחוקרים גילו שקצב הדיוק, זמן התגובה ודפוסי האמון דומים בין בני האדם לרשת העצבית.

"באופן כללי, אין לנו מספיק נתונים אנושיים בספרות הקיימת במדעי המחשב, אז אנחנו לא יודעים איך אנשים יתנהגו כשהם ייחשפו לתמונות האלה. מגבלה זו מעכבת את הפיתוח של מודלים המשכפלים במדויק את קבלת ההחלטות האנושיות", אמר רפי. "עבודה זו מספקת את אחד מערכי הנתונים הגדולים ביותר של בני אדם המגיבים ל-MNIST."

לא רק שהמודל של הצוות עלה על כל המודלים הדטרמיניסטיים המתחרים, אלא שהוא גם היה מדויק יותר בתרחישים מהירים יותר בשל מרכיב בסיסי נוסף של הפסיכולוגיה האנושית: RTNet מתנהג כמו בני אדם. לדוגמה, אנשים מרגישים בטוחים יותר כשהם מקבלים החלטות נכונות. אפילו בלי צורך להכשיר את המודל במיוחד כדי להעדיף ביטחון, המודל יישם אותו אוטומטית, ציין רפי.

"אם ננסה לקרב את המודלים שלנו למוח האנושי, זה יופיע בהתנהגות עצמה ללא כוונון עדין", אמר.

צוות המחקר מקווה לאמן את הרשת העצבית על מערכי נתונים מגוונים יותר כדי לבדוק את הפוטנציאל שלה. הם גם מצפים ליישם את מודל ה-BNN הזה על רשתות עצביות אחרות כדי לאפשר להם לבצע רציונליזציה יותר כמו בני אדם. בסופו של דבר, אלגוריתמים לא יוכלו רק לחקות את יכולות קבלת ההחלטות שלנו, אלא אפילו יוכלו לעזור להוריד חלק מהנטל הקוגניטיבי של 35,000 ההחלטות שאנו מקבלים מדי יום.