Люди щодня приймають близько 35 000 рішень, спираючись на аналіз інформації, минулий досвід і впевненість у своєму виборі. Цікаво, що рішення в схожих ситуаціях можуть відрізнятися. На відміну від людей, нейромережі зазвичай діють однаково.
Великі мовні моделі схильні “галюцинувати”, тобто генерувати недостовірні відповіді, замість того щоб визнати свою обмеженість. Для вирішення цієї проблеми дослідники з Технологічного інституту Джорджії створили нейромережу RTNet, яка здатна приймати рішення, як людина. Вона аналізує інформацію, зважує варіанти і вибирає, враховуючи ймовірність різних результатів. Початкові тести показали, що RTNet не поступається людям за точністю, швидкістю і впевненістю.
Нейронні мережі зазвичай не вказують рівень впевненості у своєму виборі. Це відрізняє їх від людей, які часто визнають свою невпевненість. Наприклад, великі мовні моделі (ВММ) схильні давати невірні відповіді на питання, які виходять за межі їхнього знання, не визнаючи їх недостовірності. Створення нейромереж, схожих на людський мозок, допоможе уникнути таких помилок і підвищить точність відповідей.
Команда вчених навчила RTNet розпізнавати рукописні цифри з набору даних MNIST. Для оцінки точності моделі її тестували на чистих зображеннях, а потім додали перешкоди, щоб ускладнити завдання. Це дозволило порівняти ефективність RTNet з іншими моделями та людьми.
Модель RTNet базується на двох ключових компонентах. По-перше, байєсівська нейронна мережа (БНС), яка використовує ймовірності для прийняття рішень і видає різні відповіді при кожному запуску. По-друге, процес накопичення доказів, який аналізує вагу аргументів на користь кожного варіанта.
У міру накопичення доказів нейромережа схиляється то до одного, то до іншого вибору. Коли накопичено достатньо доказів, система зупиняє процес і ухвалює остаточне рішення.
Дослідники також вимірювали швидкість ухвалення рішень моделлю, перевіряючи, чи підпорядковується вона феномену “компроміс між швидкістю і точністю”. Люди часто приймають менш точні рішення, коли змушені діяти швидко. Аналіз показав, що RTNet демонструє схожість із людьми за рівнем точності, швидкістю відповіді та характером впевненості.
RTNet перевершила всі інші моделі за точністю в умовах підвищеної швидкості обробки інформації. Це стало можливим завдяки принципу впевненості, властивому людям. “Якщо ми створимо моделі, максимально наближені до роботи людського мозку, це саме по собі покращить їхню поведінку без додаткового налаштування”, – зазначив Фаршад Рафії, автор дослідження.
Дослідницька група планує навчати RTNet на більш різноманітних наборах даних, щоб розкрити її потенціал. Вчені також сподіваються застосувати Байєсівську нейронну мережу до інших моделей, навчивши їх міркувати більш по-людськи. У результаті, алгоритми зможуть не тільки імітувати людське ухвалення рішень, але й допомагатимуть людям у щоденних виборах, полегшуючи їхнє життя.