Los humanos toman casi 35.000 decisiones cada día, desde si es seguro cruzar la calle hasta qué comer para almorzar. Cada decisión implica sopesar las opciones, recordar escenarios pasados similares y sentirse razonablemente seguro de la elección correcta. Lo que puede parecer una decisión instantánea en realidad proviene de la recopilación de evidencia del entorno circundante. Y a menudo, la misma persona toma decisiones diferentes en los mismos escenarios en diferentes momentos.

Las redes neuronales hacen lo contrario, tomando las mismas decisiones cada vez. Ahora, investigadores del Georgia Tech en el laboratorio del profesor asociado Dobromir Rahnev laboratorio están entrenándolos para que tomen decisiones más parecidas a las de los humanos. Esta ciencia de la toma de decisiones humana apenas comienza a aplicarse al aprendizaje automático, pero desarrollar una red neuronal incluso más cercana al cerebro humano real puede hacerla más confiable, según los investigadores.

En un artículo en Nature Human Behaviour, “The Neural Network RTNet Exhibits the Signatures of Human Perceptual Decision-Making,” un equipo de la Escuela de Psicología revela una nueva red neuronal entrenada para tomar decisiones similares a las de los humanos.

Decodificando la Decisión

“Las redes neuronales toman una decisión sin decirte si están o no seguras de su decisión”, dijo Farshad Rafiei, quien obtuvo su doctorado en psicología en Georgia Tech. “Esta es una de las diferencias esenciales con respecto a cómo las personas toman decisiones”.

Los modelos lingüísticos grandes (LLM), por ejemplo, son propensos a las alucinaciones. Cuando se le hace una pregunta a un LLM que no sabe la respuesta, inventará algo sin reconocer el artificio. Por el contrario, la mayoría de los humanos en la misma situación admitirán que no saben la respuesta. Construir una red neuronal más parecida a la humana puede prevenir esta duplicidad y llevar a respuestas más precisas.

Haciendo el Modelo

El equipo entrenó su red neuronal con dígitos escritos a mano de un famoso conjunto de datos de ciencias de la computación llamado MNIST y le pidió que descifrara cada número. Para determinar la precisión del modelo, lo ejecutaron con el conjunto de datos original y luego agregaron ruido a los dígitos para que fuera más difícil para los humanos discernir. Para comparar el rendimiento del modelo con el de los humanos, entrenaron su modelo (además de otros tres modelos: CNet, BLNet y MSDNet) en el conjunto de datos MNIST original sin ruido, pero los probaron en la versión ruidosa utilizada en los experimentos y compararon los resultados de los dos conjuntos de datos.

El modelo de los investigadores se basó en dos componentes clave: una red neuronal bayesiana (BNN), que utiliza la probabilidad para tomar decisiones, y un proceso de acumulación de evidencia que realiza un seguimiento de la evidencia de cada elección. La BNN produce respuestas que son ligeramente diferentes cada vez. A medida que recopila más evidencia, el proceso de acumulación a veces puede favorecer una elección y a veces otra. Una vez que hay suficiente evidencia para decidir, la RTNet detiene el proceso de acumulación y toma una decisión.

Los investigadores también cronometraron la velocidad de toma de decisiones del modelo para ver si seguía un fenómeno psicológico llamado “intercambio velocidad-precisión” que dicta que los humanos son menos precisos cuando deben tomar decisiones rápidamente.

Una vez que tuvieron los resultados del modelo, los compararon con los resultados de los humanos. Sesenta estudiantes de Georgia Tech vieron el mismo conjunto de datos y compartieron su confianza en sus decisiones, y los investigadores encontraron que la tasa de precisión, el tiempo de respuesta y los patrones de confianza eran similares entre los humanos y la red neuronal.

“En general, no tenemos suficientes datos humanos en la literatura científica de la computación existente, por lo que no sabemos cómo se comportarán las personas cuando se expongan a estas imágenes. Esta limitación obstaculiza el desarrollo de modelos que replican con precisión la toma de decisiones humana”, dijo Rafiei. “Este trabajo proporciona uno de los conjuntos de datos más grandes de humanos que responden a MNIST”.

El modelo del equipo no solo superó a todos los modelos deterministas rivales, sino que también fue más preciso en escenarios de mayor velocidad debido a otro elemento fundamental de la psicología humana: RTNet se comporta como los humanos. Como ejemplo, las personas se sienten más seguras cuando toman decisiones correctas. Sin siquiera tener que entrenar el modelo específicamente para favorecer la confianza, el modelo lo aplicó automáticamente, señaló Rafiei.

“Si tratamos de hacer que nuestros modelos se acerquen más al cerebro humano, se mostrará en el comportamiento en sí, sin necesidad de afinación”, dijo.

El equipo de investigación espera entrenar la red neuronal en conjuntos de datos más variados para probar su potencial. También esperan aplicar este modelo BNN a otras redes neuronales para permitirles razonar más como los humanos. Eventualmente, los algoritmos no solo podrán emular nuestras habilidades para tomar decisiones, sino que incluso podrían ayudar a descargar parte de la carga cognitiva de esas 35.000 decisiones que tomamos diariamente.

####

El Instituto de Tecnología de Georgia, o Georgia Tech, es una de las mejores universidades públicas de investigación de EE. UU., desarrollando líderes que hacen avanzar la tecnología y mejoran la condición humana. El Instituto ofrece títulos en negocios, computación, diseño, ingeniería, artes liberales y ciencias. Sus más de 47.000 estudiantes de pregrado y posgrado representan a 54 estados y territorios de EE. UU. y más de 143 países. Estudian en el campus principal de Atlanta, en campus en Francia y China, o a través del aprendizaje a distancia y en línea. Como universidad tecnológica líder, Georgia Tech es un motor de desarrollo económico para Georgia, el sureste y la nación, llevando a cabo más de mil millones de dólares en investigación anual para el gobierno, la industria y la sociedad.