Un team di ricercatori della Georgia Tech ha sviluppato una nuova rete neurale in grado di prendere decisioni in modo più simile agli esseri umani. Lo studio, pubblicato su Nature Human Behaviour, rappresenta un importante passo avanti nell'applicazione della scienza del processo decisionale umano al machine learning.
Gli esseri umani prendono in media circa 35.000 decisioni al giorno, da quelle più semplici a quelle più complesse. Ogni decisione comporta una valutazione delle opzioni disponibili, il ricordo di situazioni analoghe del passato e un certo grado di sicurezza sulla scelta giusta. Anche le decisioni apparentemente istantanee derivano in realtà da un processo di raccolta di informazioni dall'ambiente circostante.
A differenza degli umani, le reti neurali tradizionali tendono a prendere sempre le stesse decisioni nelle medesime situazioni. I ricercatori guidati dal professor Dobromir Rahnev stanno ora cercando di addestrare questi sistemi a decidere in modo più simile agli esseri umani, con l'obiettivo di renderli più affidabili.
Un nuovo approccio al processo decisionale
"Le reti neurali prendono decisioni senza comunicare il loro livello di sicurezza", spiega Farshad Rafiei, che ha conseguito il dottorato in psicologia alla Georgia Tech. "Questa è una delle differenze fondamentali rispetto a come decidono le persone."
Ad esempio, i modelli linguistici di grandi dimensioni (LLM) sono soggetti a "allucinazioni", inventando risposte anche quando non conoscono la risposta corretta. Al contrario, la maggior parte degli esseri umani in situazioni simili ammetterebbe di non conoscere la risposta.
Il funzionamento del nuovo modello
Il team ha addestrato la propria rete neurale, denominata RTNet, su un famoso dataset di cifre scritte a mano chiamato MNIST. Per valutarne l'accuratezza, hanno testato il modello sia sul dataset originale che su una versione con rumore aggiunto per rendere più difficile il riconoscimento.
RTNet si basa su due componenti chiave:
- Una rete neurale bayesiana (BNN) che utilizza la probabilità per prendere decisioni
- Un processo di accumulo di evidenze che tiene traccia delle prove a favore di ciascuna scelta
La BNN produce risposte leggermente diverse ogni volta. Man mano che raccoglie più prove, il processo di accumulo può favorire una scelta piuttosto che un'altra. Una volta raccolte sufficienti evidenze, RTNet interrompe il processo e prende una decisione.
Risultati promettenti
I ricercatori hanno confrontato i risultati del modello con quelli di 60 studenti della Georgia Tech che hanno visionato lo stesso dataset. L'accuratezza, i tempi di risposta e i pattern di sicurezza si sono rivelati simili tra gli esseri umani e la rete neurale.
RTNet ha superato le prestazioni di tutti i modelli deterministici rivali, dimostrandosi più accurato anche in scenari ad alta velocità. Il modello ha inoltre mostrato comportamenti tipicamente umani, come una maggiore sicurezza nelle decisioni corrette, senza essere stato specificamente addestrato per farlo.
"Se cerchiamo di rendere i nostri modelli più simili al cervello umano, questo si rifletterà nel comportamento stesso senza bisogno di messa a punto", sottolinea Rafiei.
Prospettive future
Il team di ricerca intende addestrare la rete neurale su dataset più vari per testarne il potenziale. L'obiettivo è applicare questo modello BNN ad altre reti neurali per consentire loro di ragionare in modo più simile agli esseri umani.
In futuro, algoritmi di questo tipo potrebbero non solo emulare le nostre capacità decisionali, ma anche aiutarci ad alleggerire il carico cognitivo delle migliaia di decisioni che prendiamo quotidianamente.
Lo sviluppo delle reti neurali è uno dei progressi più significativi nel campo dell'intelligenza artificiale, a seguito di decenni di ricerca e sperimentazione. La storia di questi sistemi inizia realmente negli anni '50 e '60, quando i primi modelli di reti neurali come il Perceptron furono creati per simulare il processo decisionale umano. Da allora, la tecnologia ha fatto passi da gigante, con un'evoluzione che spazia dall'apprendimento profondo alle reti generative contrapposte.
Una curiosità affascinante sulle reti neurali è il loro utilizzo in ambiti incredibilmente diversi. Possono ad esempio riconoscere volti e oggetti, tradurre lingue, guidare veicoli autonomi e perfino comporre musica. Questa flessibilità dimostra come la tecnologia possa essere adattata per rispecchiare o ampliare le capacità umane, anche nelle forme più creative.
"L’intelligenza artificiale non sostituirà l’intelligenza umana, ma completerà il lavoro umano, portando alla luce pattern e connessioni altrimenti invisibili."
Il lavoro di Georgia Tech mette in luce il desiderio continuo di rendere le macchine non solo più efficaci, ma anche decisionalmente autonome in modo simile agli esseri umani. La sfida sta nel trovare il giusto equilibrio tra autocertezza e la capacità di ammettere incertezze, una qualità profondamente umana che le macchine stanno solo iniziando a replicare.
Un'altra sorprendente capacità delle reti neurali è quella di "apprendere" dai propri errori, grazie all'algoritmo di backpropagation, scoperto negli anni '70. Questo permette ai sistemi di migliorare autonomamente nel tempo, correggendo i propri errori in seguito alle attività svolte.
Il continuo sviluppo in questo campo promette non solo di migliorare le app di intelligenza artificiale, ma anche di offrire un approfondimento sul funzionamento del cervello umano. Con un futuro pieno di possibilità, il cammino verso una simbiosi tra uomo e macchina appare ogni giorno più intriso di scoperte rivoluzionarie.
