.
Os humanos tomam quase 35.000 decisões todos os dias, desde se é seguro atravessar a rua até o que comer no almoço. Cada decisão envolve pesar as opções, lembrar de cenários passados semelhantes e sentir-se razoavelmente confiante sobre a escolha certa. O que pode parecer uma decisão rápida, na verdade, vem da coleta de evidências do ambiente ao redor. E muitas vezes a mesma pessoa toma decisões diferentes nos mesmos cenários em momentos diferentes.
Redes neurais fazem o oposto, tomando as mesmas decisões todas as vezes. Agora, pesquisadores da Georgia Tech no laboratório do Professor Associado Dobromir Rahnev estão treinando-os para tomar decisões mais como humanos. Essa ciência da tomada de decisão humana está apenas sendo aplicada ao aprendizado de máquina, mas desenvolver uma rede neural ainda mais próxima do cérebro humano real pode torná-la mais confiável, de acordo com os pesquisadores.
Em um artigo em Natureza Comportamento Humano“A rede neural RTNet exibe as assinaturas da tomada de decisão perceptual humana”, uma equipe da Escola de Psicologia revela uma nova rede neural treinada para tomar decisões semelhantes às dos humanos.
Decisão de decodificação
“Redes neurais tomam uma decisão sem dizer se estão ou não confiantes sobre sua decisão”, disse Farshad Rafiei, que obteve seu Ph.D. em psicologia na Georgia Tech. “Essa é uma das diferenças essenciais de como as pessoas tomam decisões.”
Grandes modelos de linguagem (LLM), por exemplo, são propensos a alucinações. Quando um LLM é questionado sobre uma questão que ele não sabe a resposta, ele inventará algo sem reconhecer o artifício. Em contraste, a maioria dos humanos na mesma situação admitirá que não sabe a resposta. Construir uma rede neural mais humana pode evitar essa duplicidade e levar a respostas mais precisas.
Fazendo o modelo
A equipe treinou sua rede neural em dígitos manuscritos de um famoso conjunto de dados de ciência da computação chamado MNIST e pediu para decifrar cada número. Para determinar a precisão do modelo, eles o executaram com o conjunto de dados original e então adicionaram ruído aos dígitos para dificultar o discernimento por humanos. Para comparar o desempenho do modelo com o de humanos, eles treinaram seu modelo (assim como três outros modelos: CNet, BLNet e MSDNet) no conjunto de dados MNIST original sem ruído, mas os testaram na versão ruidosa usada nos experimentos e compararam os resultados dos dois conjuntos de dados.
O modelo dos pesquisadores se baseou em dois componentes principais: uma rede neural bayesiana (BNN), que usa probabilidade para tomar decisões, e um processo de acumulação de evidências que mantém o controle das evidências para cada escolha. A BNN produz respostas que são ligeiramente diferentes a cada vez. À medida que reúne mais evidências, o processo de acumulação pode às vezes favorecer uma escolha e às vezes outra. Uma vez que há evidências suficientes para decidir, a RTNet interrompe o processo de acumulação e toma uma decisão.
Os pesquisadores também cronometraram a velocidade de tomada de decisão do modelo para ver se ele segue um fenômeno psicológico chamado “compensação entre velocidade e precisão”, que determina que os humanos são menos precisos quando precisam tomar decisões rapidamente.
Uma vez que eles tinham os resultados do modelo, eles os compararam aos resultados dos humanos. Sessenta estudantes da Georgia Tech visualizaram o mesmo conjunto de dados e compartilharam sua confiança em suas decisões, e os pesquisadores descobriram que a taxa de precisão, o tempo de resposta e os padrões de confiança eram semelhantes entre os humanos e a rede neural.
“De modo geral, não temos dados humanos suficientes na literatura existente sobre ciência da computação, então não sabemos como as pessoas se comportarão quando forem expostas a essas imagens. Essa limitação dificulta o desenvolvimento de modelos que reproduzam com precisão a tomada de decisão humana”, disse Rafiei. “Este trabalho fornece um dos maiores conjuntos de dados de humanos respondendo ao MNIST.”
O modelo da equipe não só superou todos os modelos determinísticos rivais, mas também foi mais preciso em cenários de alta velocidade devido a outro elemento fundamental da psicologia humana: a RTNet se comporta como humanos. Por exemplo, as pessoas se sentem mais confiantes quando tomam decisões corretas. Sem nem mesmo ter que treinar o modelo especificamente para favorecer a confiança, o modelo a aplicou automaticamente, observou Rafiei.
“Se tentarmos tornar nossos modelos mais próximos do cérebro humano, isso aparecerá no comportamento em si, sem ajustes finos”, disse ele.
A equipe de pesquisa espera treinar a rede neural em conjuntos de dados mais variados para testar seu potencial. Eles também esperam aplicar esse modelo BNN a outras redes neurais para permitir que elas racionalizem mais como os humanos. Eventualmente, os algoritmos não serão apenas capazes de emular nossas habilidades de tomada de decisão, mas podem até mesmo ajudar a descarregar parte da carga cognitiva dessas 35.000 decisões que tomamos diariamente.
.
