Nieuwe studie: RTNet bootst menselijke besluitvorming na met behulp van bayesiaans neuraal netwerk
AmsterdamOnderzoekers aan het Georgia Tech hebben een nieuwe neurale netwerk ontwikkeld dat het menselijk besluitvormingsproces nabootst. In tegenstelling tot traditionele neurale netwerken, die vaak beslissingen herhalen zonder rekening te houden met eerdere gebeurtenissen of zelfvertrouwen, werkt dit nieuwe model, genaamd RTNet, op een andere manier.
Mensen maken dagelijks ongeveer 35.000 beslissingen. Elke beslissing vereist het overwegen van opties, eerdere ervaringen en zelfvertrouwen. Neurale netwerken volgen vaak niet ditzelfde proces. Het team van Georgia Tech, onder leiding van Associate Professor Dobromir Rahnev, wil hier verandering in brengen. Hun studie is gepubliceerd in Nature Human Behaviour.
Belangrijke verschillen tussen menselijke en machinebesluitvorming zijn:
- Mensen wegen opties en beoordelen bewijsmateriaal op basis van eerdere ervaringen.
- Mensen geven toe wanneer ze twijfelen over een beslissing.
- Traditionele neurale netwerken nemen statische en consistente beslissingen.
Het onderzoeksteam trainde hun nieuwe neurale netwerk met behulp van de MNIST-dataset, een verzameling van handgeschreven cijfers. Ze voegden ruis toe aan deze cijfers, waardoor ze moeilijker leesbaar werden voor mensen. Vervolgens testten de wetenschappers het model op deze ruisachtige dataset om te beoordelen hoe goed het presteerde in vergelijking met mensen.
De onderzoekers hebben hun model verbeterd met behulp van een Bayesiaans neuraal netwerk (BNN) en een evidence accumulation process. Het BNN maakt keuzes op basis van waarschijnlijkheden, waardoor de reacties elke keer kunnen variëren. Het evidence accumulation process blijft data verzamelen totdat er genoeg informatie is om een besluit te nemen. Deze benadering maakt RTNet flexibeler en meer gelijkend aan menselijk gedrag.
De wetenschappers onderzochten hoe lang het model nodig had om beslissingen te nemen. Ze ontdekten dat snellere beslissingen vaak minder nauwkeurig waren. Dit bleek ook bij mensen het geval te zijn. RTNet vertoonde hetzelfde gedrag.
De studie toonde aan dat RTNet net zo nauwkeurig, snel en zelfverzekerd was als mensen. Zestig studenten van Georgia Tech analyseerden dezelfde ruisende data en gaven hun vertrouwen aan. Uit de resultaten bleek dat RTNet sterk leek op de menselijke deelnemers. Het presteerde vaak beter dan andere modellen, vooral bij het nemen van snelle beslissingen.
Deze ontwikkeling is cruciaal om verschillende redenen:
- De meeste huidige modellen hebben weinig menselijke data om mee te vergelijken.
- Bestaande modellen vertonen geen mensachtige vertrouwensniveaus.
- Het nieuwe neurale netwerk kan helpen bij het repliceren en mogelijk verbeteren van menselijke besluitvormingsprocessen.
Dit beslissingsmodel biedt veel perspectief. Neurale netwerken kunnen nu functioneren als het menselijke brein met minder verfijning. Het team is van plan RTNet te trainen op verschillende datasets om de mogelijkheden te verkennen. In de toekomst zouden deze modellen in andere gebieden gebruikt kunnen worden om de dagelijkse mentale inspanning voor mensen te verminderen.
De menselijke nabootsing van RTNet is een belangrijke stap vooruit. In de toekomst kunnen neurale netwerken misschien denken en beslissen zoals mensen. Dit kan AI verbeteren, waardoor interactie met technologie eenvoudiger en effectiever wordt.
De studie is hier gepubliceerd:
http://dx.doi.org/10.1038/s41562-024-01914-8en de officiële citatie - inclusief auteurs en tijdschrift - is
Farshad Rafiei, Medha Shekhar, Dobromir Rahnev. The neural network RTNet exhibits the signatures of human perceptual decision-making. Nature Human Behaviour, 2024; DOI: 10.1038/s41562-024-01914-8Gisteren · 20:14
Planten als biofabrieken voor energierijke supplementen
Gisteren · 18:11
Doorbraak in malariaonderzoek: nieuwe middelen tegen parasieten
Deel dit artikel