RTNet: IA recibió la incertidumbre humana

Cada día, una persona toma una gran cantidad de decisiones, cada una de las cuales requiere evaluar opciones, experiencias previas y confianza en la elección correcta. Aunque muchas decisiones parecen espontáneas, en realidad se basan en la recopilación de información del entorno. Es interesante que una misma persona pueda tomar decisiones diferentes en situaciones idénticas en distintos momentos.

Las redes neuronales, por otro lado, toman la misma decisión cada vez. Sin embargo, los investigadores del Instituto Tecnológico de Georgia están trabajando para enseñar a la IA a tomar decisiones de manera más "humana". Aunque la ciencia de la toma de decisiones humanas apenas comienza a aplicarse en el aprendizaje automático, la creación de una red neuronal que se asemeje lo más posible al cerebro humano podría hacerla más fiable, según los investigadores.

Los autores del estudio señalaron que las redes neuronales toman decisiones sin dudar de su corrección. Esta es una de las diferencias clave con la forma en que los humanos toman decisiones. Por ejemplo, los modelos LLM tienden a "alucinar". Cuando un LLM no sabe la respuesta a una pregunta, la inventa, sin admitir su desconocimiento. La mayoría de las personas en tal situación reconocen que no saben la respuesta. Crear una red neuronal más parecida a los humanos podría prevenir estos errores y mejorar la precisión de las respuestas.

El equipo entrenó su red neuronal RTNet en cifras manuscritas del conocido conjunto de datos MNIST y le pidió que descifrara cada número. Para evaluar la precisión del modelo, se probó el modelo con el conjunto de datos original y con datos con ruido añadido, lo que dificulta el reconocimiento de los números para los humanos. Para comparar el rendimiento del modelo con un grupo de personas, se entrenaron otros tres modelos: CNet, BLNet y MSDNet. Todos los modelos fueron entrenados con el MNIST original sin ruido, pero probados en la versión con ruido. Luego, los resultados de los modelos se compararon con los resultados de las pruebas para humanos.

El modelo del equipo no solo superó a todos los modelos deterministas competidores, sino que también fue más preciso en condiciones de alta velocidad. Por ejemplo, las personas sienten mayor confianza cuando toman decisiones correctas. Sin necesidad de entrenar específicamente al modelo en confianza, RTNet aplicaba automáticamente un criterio de confianza. RTNet se basaba en dos componentes clave: una red neuronal bayesiana (BNN), que utiliza probabilidades para tomar decisiones, y un proceso de acumulación de evidencia, que rastrea la evidencia para cada elección. La BNN proporciona respuestas que varían ligeramente cada vez. A medida que se acumula la evidencia, el proceso de acumulación a veces se inclina a favor de una elección y a veces de otra. Cuando hay suficiente evidencia, RTNet detiene el proceso de acumulación y toma una decisión.

Los científicos también verificaron la velocidad de toma de decisiones del modelo para ver si seguía el fenómeno psicológico del "compromiso entre velocidad y precisión", según el cual las personas toman decisiones menos precisas cuando se ven obligadas a decidir rápidamente.

Comparando los resultados del modelo con los resultados de 60 estudiantes del Instituto Tecnológico de Georgia, los investigadores encontraron que la precisión, el tiempo de reacción y los patrones de confianza de los humanos y la red neuronal eran similares.

Los autores del estudio subrayaron que en la literatura existente sobre ciencias de la computación hay una falta de datos sobre el comportamiento humano en el reconocimiento de imágenes, lo que dificulta el desarrollo de modelos que reproduzcan con precisión las decisiones humanas. El trabajo de los científicos proporcionó uno de los conjuntos de datos más grandes sobre la reacción humana al MNIST.

El equipo de investigación espera entrenar la red neuronal en conjuntos de datos más diversos para probar su potencial. También planean aplicar el modelo BNN a otras redes neuronales para enseñarles a razonar de manera más humana. En última instancia, los algoritmos no solo podrán emular nuestras capacidades para tomar decisiones, sino que también ayudarán a reducir la carga cognitiva de nuestras decisiones diarias.