Ny studie: neuralt nätverk efterliknar mänskliga beslutsvanor

StockholmForskare vid Georgia Tech har utvecklat ett nytt neuralt nätverk som efterliknar mänskligt beslutsfattande. Till skillnad från traditionella neurala nätverk, som ofta upprepar beslut utan att ta hänsyn till tidigare händelser eller säkerhetsnivåer, fungerar denna nya modell, som heter RTNet, på ett annorlunda sätt.

Människor fattar ungefär 35 000 beslut varje dag. Varje beslut innebär att tänka på alternativ, tidigare erfarenheter och säkerhet. Neurala nätverk fattar vanligtvis inte beslut på detta sätt. Forskargruppen vid Georgia Tech, ledd av docenten Dobromir Rahnev, vill ändra på detta. Deras studie har publicerats i Nature Human Behaviour.

Viktiga skillnader mellan mänskligt och maskinellt beslutsfattande inkluderar: Människor utvärderar alternativ och tar hänsyn till erfarenheter från tidigare situationer. De erkänner när de är osäkra på ett beslut. Däremot fattar traditionella neurala nätverk beslut som är statiska och konsekventa.

Forskarteamet tränade sitt nya neurala nätverk med hjälp av MNIST-datasetet, som är en samling av handskrivna siffror. De lade till brus till dessa siffror för att göra dem svårare för människor att läsa. Därefter testade forskarna modellen på denna brusiga dataset för att se hur väl den presterade jämfört med människor.

Forskarna förbättrade sin modell genom att använda ett Bayesiskt neuralt nätverk (BNN) och en evidensackumuleringsprocess. BNN-beslut baseras på sannolikheter, vilket gör att svaren varierar varje gång. Evidensackumuleringsprocessen fortsätter att samla in data tills tillräckligt mycket finns för att fatta ett beslut. Den här metoden gör RTNet mer anpassningsbar och närmare människors beteende.

Läs också:

Idag · 22:14

Klimatförändringar hotar arters evolution och överlevnadspotential

Forskarna mätte hur lång tid det tog för modellen att fatta beslut. De upptäckte ett mönster där snabbare beslut ledde till lägre noggrannhet, vilket liknar det som händer hos människor. RTNet uppvisade samma beteende.

Studien visade att RTNet motsvarade människors noggrannhet, snabbhet och självförtroende. Sextio studenter från Georgia Tech granskade samma brusiga data och rapporterade sina självförtroendenivåer. Resultaten visade att RTNet var mycket likt de mänskliga deltagarna. Det överträffade ofta andra modeller, särskilt när snabba beslut behövdes.

Denna utveckling är viktig av flera skäl:

• De flesta nuvarande modeller saknar omfattande mänskliga data för jämförelse.
• Existerande modeller uppvisar inte den mänskliga typen av självförtroendenivåer.
• Det nya neurala nätverket kan hjälpa till att efterlikna och eventuellt förbättra mänskliga beslutsprocesser.

Denna beslutsmodell visar stor potential. Neurala nätverk kan nu likna den mänskliga hjärnan med mindre justeringar. Teamet planerar att träna RTNet på olika datasets för att undersöka dess kapacitet. I framtiden kan dessa modeller användas inom andra områden för att minska människors dagliga mentala ansträngningar.

RTNets människoliknande förmåga är ett betydande framsteg. Framöver kan neurala nätverk komma att tänka och fatta beslut som människor. Detta kan förbättra AI och göra det enklare och mer effektivt att interagera med teknik.