محققان مؤسسۀ فناوری جورجیا شبکۀ عصبی جدیدی به نام RTNet را برای هوش مصنوعی توسعه داده‌اند تا بتواند به شیوه‌ای مشابه انسان‌ها تصمیم بگیرد.
به گزارش تک‌ناک، محققان جورجیا یک شبکۀ عصبی به نام RTNet توسعه داده‌اند که فرآیندهای تصمیم‌گیری انسانی از جمله اطمینان و تنوع را تقلید می‌کند، که همین موضوع قابلیت اطمینان و دقت آن را در کارهایی مانند تشخیص رقم بهبود می‌بخشد.
این شبکه با استفاده از شبکۀ عصبی بیزی (BNN) و فرآیند تجمع شواهد، دقت و قابلیت اطمینان بالاتری دارد. آزمایش‌ها نشان داده‌اند که این مدل در شناسایی ارقام دست‌نویس حتی با اضافه کردن نویز، عملکرد مشابهی با انسان‌ها دارد و الگوهای اعتماد و تصمیم‌گیری مشابهی را نشان می‌دهد.
انسان‌ها هر روز نزدیک به 35هزار تصمیم می‌گیرند، که شامل عبور ایمن از جاده تا انتخاب غذا می‌شود. هر تصمیم شامل ارزیابی گزینه‌ها، یادآوری موقعیت‌های مشابه گذشته و احساس اطمینان به نسبت منطقی، در مورد انتخاب درست است. آنچه امکان دارد به نظر یک تصمیم فوری باشد، در واقع از جمع‌آوری شواهد از محیط ناشی می‌شود. علاوه بر این، یک فرد ممکن است تصمیمات متفاوتی در سناریوهای یکسان امّا در زمان‌های مختلف بگیرد.
شبکه‌های عصبی بالعکس عمل می‌کنند و هر بار تصمیمات یکسانی را اتخاذ می‌کنند. به تازگی محققان فناوری جورجیا در آزمایشگاه محققی به نام دوبرومیو رانو، به این شبکه‌های عصبی آموزش می‌دهند تا بیشتر شبیه انسان‌ها تصمیم بگیرند. به گفتۀ محققان، تصمیم‌گیری انسانی فقط برای یادگیری ماشینی به کار می‌رود، امّا توسعۀ یک شبکۀ عصبی نزدیک‌تر به مغز واقعی انسان ممکن است آن را قابل اعتمادتر کند. این مقاله در مجلۀ Nature Human Behaviour منتشر شده است.
رمزگشایی تصمیم
دکتر فرشاد رفیعی، یکی از محققان این مطالعه گفت: «شبکه‌های عصبی بدون اینکه به شما بگویند از تصمیم خود مطمئن هستند یا خیر، تصمیم می‌گیرند. این یکی از تفاوت‌های اساسی این شبکه‌های عصبی با شیوۀ تصمیم‌گیری انسان است.»
به عنوان مثال، مدل‌های زبان بزرگ (LLM)، مستعد توهم هستند. هنگامی که از یک LLM سؤالی پرسیده می‌شود که پاسخ آن را نمی‌داند، پاسخی غیرواقعی از خود می‌سازد. در مقابل، اکثر انسان‌ها در شرایط مشابه اعتراف می‌کنند که پاسخ را نمی‌دانند. ساخت یک شبکۀ عصبی برای هوش مصنوعی شبیه به انسان، می‌تواند از این دوگانگی جلوگیری کند و به پاسخ‌های دقیق‌تری منجر شود.
ساخت مدل
این تیم، شبکۀ عصبی خود را بر ارقام دست‌نویس از مجموعه داده‌های معروف علوم رایانه به نام MNIST آموزش دادند و از آن درخواست کردند که هر عدد را رمزگشایی کند. برای تعیین دقت مدل، آنها شبکۀ عصبی را با مجموعه دادۀ اصلی اجرا و سپس نویز را به ارقام اضافه کردند تا تشخیص آن برای انسان دشوارتر شود. برای مقایسۀ عملکرد مدل در برابر انسان، آنها مدل خود (همچنین سه مدل دیگر: CNet، BLNet و MSDNet) را روی مجموعه دادۀ اصلی MNIST بدون نویز آموزش دادند، امّا آنها را روی نسخۀ پر سر و صدای مورد استفاده در تحقیقات آزمایش شدند و نتایج را با هم مقایسه کردند.
مدل محققان بر دو مؤلفه کلیدی متکی بود. یکی از موارد شبکۀ عصبی بیزی (BNN) بود، که از احتمال برای تصمیم‌گیری استفاده می‌کند و یک فرآیند تجمع شواهد است، که از شواهد برای هر انتخاب بهره می‌برد. BNN پاسخ‌هایی تولید می‌کند که هر بار کمی متفاوت است. همان‌گونه که فرآیند تجمع شواهد، شواهد بیشتری جمع‌آوری می‌کند، گاهی می‌تواند به نفع یک انتخاب و گاهی اوقات به نفع انتخاب دیگری باشد. هنگامی که شواهد کافی برای تصمیم‌گیری وجود داشت، شبکۀ عصبی RTNet فرآیند تجمع شواهد را متوقف می‌کند و تصمیم می‌گیرد.
همچنین محققان سرعت تصمیم‌گیری مدل را زمان‌بندی کردند تا ببینند آیا این مدل از یک پدیدۀ روان‌شناختی به نام «معادل سرعت-دقت» پیروی دارد، که حکم می‌کند انسان‌ها وقتی باید سریع تصمیم‌گیری کنند، دقت کمتری دارند.
پس از دریافت نتایج مدل، محققان آنها را با نتایج انسانی مقایسه کردند. 60 دانشجوی فناوری جورجیا همان مجموعه داده را مشاهده کردند و اعتماد خود را در تصمیمات به اشتراک گذاشتند و محققان متوجه شدند که میزان دقت، زمان پاسخ و الگوهای اطمینان بین انسان و شبکۀ عصبی مشابه است.
رفیعی در این زمینه عنوان کرد: «به طور کلی، ما اطلاعات انسانی کافی در منابع موجود علوم رایانه نداریم، بنابراین نمی‌دانیم وقتی افراد در معرض این تصاویر قرار می‌گیرند، چگونه رفتار خواهند کرد. این محدودیت مانع از توسعۀ مدل‌هایی می‌شود که تصمیم‌گیری انسانی را به دقت تکرار می‌کنند. این تحقیق یکی از بزرگ‌ترین مجموعه داده‌های انسان‌هایی را ارائه می‌کند که به MNIST پاسخ می‌دهند.»
مدل جدید محققان نه تنها از تمام مدل‌های قطعی رقیب بهتر عمل کرد، بلکه در سناریوهای با سرعت بالاتر، دقیق‌تر بود و مانند انسان‌ها رفتار کرد. به عنوان مثال، افراد وقتی تصمیمات درستی می‌گیرند، احساس اعتماد به نفس بیشتری می‌کنند. رفیعی اعلام کرد: «مدل ما بدون نیاز به آموزش خاص برای به دست آوردن اعتماد به نفس، به طور خودکار آن را اعمال کرد.»
وی تصریح کرد: «اگر سعی کنیم مدل‌های خود را به مغز انسان نزدیک‌تر کنیم، بدون تنظیم دقیق، این مسئله در رفتار آنها نشان داده می‌شود.»
این تیم تحقیقاتی امیدوار است که شبکۀ عصبی جدید خود را روی مجموعه داده‌های متنوع‌تر آموزش دهد تا پتانسیل آن را آزمایش کند. همچنین آنها انتظار دارند که این مدل را در سایر شبکه‌های عصبی به کار گیرند تا بیشتر شبیه به منطق انسان‌ها شود. در نهایت، قرار نیست الگوریتم‌ها فقط توانایی‌های تصمیم‌گیری ما را تقلید کنند، بلکه ممکن است روزی به تخلیۀ بخشی از بار 35000 تصمیمی که روزانه می‌گیریم، کمک کنند.
