این هوش مصنوعی می‌تواند یاد بگیرد که شبیه به انسان فکر کند!

محققان دانشگاه جورجیا تک (Georgia Tech) یک شبکه عصبی به نام RTNet توسعه داده‌اند که فرآیندهای تصمیم‌گیری انسانی از جمله مطمئن یا متغیر بودن را تقلید کرده و پاسخ‌های آن را در آزمایشاتی مانند تشخیص اعداد، دقیق‌تر و قابل اطمینان‌تر می‌کند.

انسان ها هر روز نزدیک به 35000 تصمیم می گیرند، مثل تشخیص ایمن بودن جاده برای عبور یا انتخاب ناهار. هر تصمیم شامل ارزیابی گزینه‌ها، یادآوری موقعیت‌های مشابه گذشته و احساس اطمینان نسبتاً منطقی در مورد انتخاب درست است. آنچه ممکن است به‌نظر یک تصمیم فوری بیاید، در واقع از طریق جمع آوری شواهد از محیط اطراف به‌دست آمده است. علاوه بر این، یک فرد ممکن است تصمیمات متفاوتی در سناریوهای یکسان در زمان‌های مختلف بگیرد.

شبکه‌های عصبی (نوعی ساختار الگوریتمیک در علوم کامپیوتر) اینگونه عمل نمی‌کنند و هر بار تصمیماتی مشابه می‌گیرند. اما اکنون در آزمایشگاه پروفسور دوبرمیر راهمیر، محققان جورجیا تک در تلاشند به این شبکه‌ها آموزش دهند تا بیشتر شبیه انسان تصمیم بگیرند. به گفته این پژوهشگران، قابلیت تصمیم‌گیری انسانی اکنون فقط در حوزه یادگیری ماشین به‌کار می‌رود، اما توسعه یک شبکه عصبی نزدیک به مغز واقعی انسان ممکن است آن را حتی قابل اعتمادتر نیز کند.

در مقاله‌ای در Nature Human Behaviour، تیمی از دانشکده روانشناسی دانشگاه جورجیا تک شبکه عصبی جدیدی را توسعه داده‌اند که برای تصمیم‌گیری شبیه به انسان آموزش دیده است.

رمزگشایی تصمیمات

فرشاد رفیعی که به‌تازگی مدرک دکترای خود را در رشته روانشناسی دانشگاه جورجیا تک دریافت کرده، می‌گوید:

شبکه‌های عصبی بدون اینکه به شما بگویند تا چه حدی از تصمیم خود مطمئن هستند، نتیجه را بیان می‌کنند. این یکی از تفاوت‌های اساسی با نحوه تصمیم‌گیری انسان‌ها است.

به عنوان مثال، مدل‌های زبان بزرگ (LLM)، مستعد توهم هستند! هنگامی که از یک LLM سؤالی پرسیده می‌شود که پاسخ آن را نمی‌داند، جوابی از خود برای آن سوال می‌سازد بدون آنکه به تصنعی بودن پاسخش اذعان کند. در مقابل، اکثر انسان‌ها در شرایط مشابه اعتراف می‌کنند که پاسخ را نمی‌دانند. ساخت یک شبکه عصبی به این صورت می‌تواند از این دوگانگی جلوگیری کند و به پاسخ‌های دقیق‌تری منجر شود.

ساختن یک مدل

این تیم شبکه عصبی خود را بر روی ارقام دست‌نویس یک مجموعه داده معروف در علوم کامپیوتر به نام MNIST آموزش دادند و از آن خواستند تا هر عدد را رمزگشایی کند، یعنی بگوید بر روی صفحه چه عددی نوشته شده است. برای تعیین دقت مدل، آنها یک بار آن را با مجموعه داده اصلی اجرا کردند و پس از آن به تصاویر ارقام مقداری نویز اضافه شد تا تشخیص آن‌ها برای انسان دشوارتر شود و بتوان از این گروه داده برای مقایسه عملکرد مدل در برابر انسان استفاده کرد. آنها مدل خود (و همچنین سه مدل دیگر: CNet ،BLNet و MSDNet) را بر روی مجموعه داده اصلی MNIST که نویزی به آن اضافه نشده بود آموزش دادند، سپس این سه را توسط گروه ارقام نویزدار آزمایش و نتایج را با هم مقایسه کردند.

مدل محققان بر دو مؤلفه کلیدی متکی بود: یک شبکه عصبی بیزی (BNN) که از احتمال برای تصمیم‌گیری استفاده می‌کند و یک فرآیند انباشت شواهد که شواهد را برای هر انتخاب دنبال می‌کند. BNN پاسخ‌هایی تولید می‌کند که هر بار کمی با تصمیم قبلی فرق دارد. در حین جمع‌آوری شواهد، فرآیند انباشت، گاهی می‌تواند به نفع یک انتخاب و گاهی اوقات به نفع انتخاب دیگری باشد و در نهایت زمانیکه شواهد کافی برای انتخاب یک مورد وجود دارد، RTNet فرآیند انباشت را متوقف کرده و تصمیم نهایی را می‌گیرد.

محققان همچنین سرعت تصمیم‌گیری مدل را زمان‌بندی کردند تا ببینند آیا این مدل از یک پدیده روان‌شناختی به نام «معادل سرعت-دقت» پیروی می‌کند یا نه. این پدیده روانشناختی بیان می‌کند که انسان‌ها وقتی باید سریع تصمیم‌گیری کنند، دقت کمتری دارند.

این تیم تحقیقاتی هنگامی که نتایج مدل را دریافت کردند، به مقایسه این نتایج با نتایج انسانی پرداختند. شصت دانشجوی جورجیا تک همان مجموعه داده را مشاهده کردند و اعتماد خود را در تصمیمات خود به اشتراک گذاشتند و محققان دریافتند که میزان دقت، زمان پاسخ و الگوهای اطمینان بین انسان و شبکه عصبی مشابه است.

رفیعی گفت:

به طور کلی، ما اطلاعات انسانی کافی در نوشته‌های حوزه علوم کامپیوتر نداریم تا به‌وسیله ی آن بررسی کنیم که افراد وقتی در معرض این تصاویر قرار می‌گیرند چگونه رفتار خواهند کرد. این محدودیت مانع از توسعه مدل‌هایی می‌شود که تصمیم‌گیری‌های انسانی را به‌طور دقیق تکرار می‌کنند.

او ادامه داد:

این کار یکی از بزرگترین مجموعه داده‌های انسانی را ارائه می‌کند که به MNIST پاسخ می‌دهند.

مدل توسعه داده‌شده توسط این تیم، نه‌تنها از همه مدل‌های قطعی رقیب بهتر عمل کرد، بلکه در سناریوهای با سرعت بالاتر به دلیل یکی دیگر از عناصر اساسی روان‌شناسی انسان، دقیق‌تر بود؛ در حقیقت RTNet مانند انسان‌ها رفتار می‌کند. به عنوان مثال، افراد وقتی تصمیمات درستی می گیرند، احساس اعتماد به نفس بیشتری می‌کنند. رفیعی خاطرنشان کردکه حتی نیازی نبود تا ما داشتن اعتماد را به مدل یاد بدهیم و خودش به‌طور خودکار از آن استفاده کرد.

او گفت:

اگر سعی کنیم مدل‌های خود را به مغز انسان نزدیک‌تر کنیم، نتایج رفتاری را بدون هیچ نیاز به تنظیماتی جدید در آن مشاهده خواهیم کرد.

این تیم تحقیقاتی امیدوار است که شبکه عصبی RTNet را بر روی مجموعه داده‌های متنوع‌تری آموزش دهد تا پتانسیل آن را آزمایش کند. آنها همچنین انتظار دارند این مدل BNN را در سایر شبکه‌های عصبی به‌کار گیرند تا آنها را قادر سازد تا بیشتر شبیه به انسان تصمیم‌گیری کنند. این الگوریتم‌ها نیاز نیست فقط مقلد ما در تصمیم‌گیری باشند، بلکه می‌توانند کمی از بار 35000 تصمیمی که در روز می‌گیریم را از شانه‌هایمان بردارند.

منبع: Scitechdaily