L’intelligenza artificiale impara a pensare come gli umani: una svolta nell’apprendimento automatico
I ricercatori del Georgia Tech hanno sviluppato una rete neurale , denominata RTNet, che emula i processi decisionali umani, integrando elementi come la variabilità e la confidenza nelle proprie scelte, migliorando così l’ affidabilità e l’ accuratezza nelle attività di riconoscimento dei numeri scritti a mano. Questo modello si distingue per la sua capacità di adottare tratti tipicamente umani come l’accumulo di prove e la variabilità nelle risposte, dimostrando prestazioni paragonabili a quelle umane anche in condizioni di difficoltà aumentata, come nel caso di cifre disturbate da rumore visivo.
Gli esseri umani, che quotidianamente affrontano circa 35.000 decisioni, da quelle banali a quelle complesse, elaborano le scelte attraverso un processo di accumulo di prove, ricordando situazioni simili passate e sentendosi ragionevolmente sicuri della decisione presa. Questo processo decisionale, che può sembrare istantaneo, è in realtà il risultato di una complessa valutazione delle informazioni disponibili. Al contrario, le reti neurali tradizionali tendono a generare le stesse decisioni in scenari identici.
Il team di ricerca, guidato dal professore associato Dobromir Rahnev, ha pubblicato i risultati di questo studio sulla rivista Nature Human Behaviour , introducendo un approccio innovativo nell’addestramento delle reti neurali per renderle più simili al processo decisionale umano. Questo approccio potrebbe non solo aumentare l’ affidabilità delle reti neurali ma anche ridurre il rischio di errori e imprecisioni, come quelli osservati nei grandi modelli di linguaggio, che possono generare risposte inventate senza riconoscere la loro inesattezza.
Il modello RTNet utilizza una rete neurale bayesiana (BNN) che, attraverso l’uso della probabilità, permette di variare le risposte e di accumulare prove prima di arrivare a una decisione definitiva. Questo processo di accumulo di prove può favorire una scelta rispetto a un’altra, a seconda delle evidenze raccolte fino a quel momento. Una volta che le prove sono sufficienti per una decisione, il processo si interrompe e la rete prende una decisione.
Inoltre, il team ha esaminato la velocità di decisione del modello per verificare se rispettasse il fenomeno psicologico noto come compromesso velocità-accuratezza , che suggerisce che le decisioni prese rapidamente tendono ad essere meno accurate. I risultati ottenuti dal modello sono stati confrontati con quelli di 60 studenti del Georgia Tech, che hanno esaminato lo stesso set di dati, mostrando pattern di accuratezza , tempo di risposta e confidenza simili a quelli umani.
Il modello RTNet ha superato tutti i modelli deterministici concorrenti, dimostrando una maggiore accuratezza anche in scenari di alta velocità, un tratto fondamentale della psicologia umana che il modello ha emulato senza necessità di addestramenti specifici per favorire la confidenza.
Questo studio apre la strada all’addestramento di reti neurali su dataset più vari per testarne il potenziale e applicare il modello BNN ad altre architetture neurali, permettendo loro di razionalizzare in modo più umano. In futuro, gli algoritmi potrebbero non solo emulare le nostre capacità decisionali ma anche alleggerire il carico cognitivo legato alle numerose decisioni quotidiane.