Un estudio innovador realizado por investigadores de Georgia Tech ha revelado una red neuronal que imita los procesos de toma de decisiones humanos. Este avance podría innovar el funcionamiento de los sistemas de inteligencia artificial, haciéndolos más confiables y precisos.
Un equipo de investigadores de Georgia Tech ha logrado un avance innovador en inteligencia artificial al desarrollar una red neuronal que emula la toma de decisiones humana. Esta innovación podría transformar los sistemas de IA, haciéndolos más confiables y precisos.
Los seres humanos toman casi 35,000 decisiones diariamente, un proceso que implica una compleja recopilación de evidencia ambiental y diferentes respuestas de decisión incluso en escenarios similares. Por el contrario, las redes neuronales tradicionales siempre son consistentes en sus decisiones, lo que potencialmente limita sus aplicaciones prácticas. Sin embargo, el laboratorio del profesor asociado Dobromir Rahnev en Georgia Tech está cambiando esa norma.
En su Estudio, publicado en Nature Human Behaviour, investigadores de la Facultad de Psicología de Georgia Tech presentaron RTNet, una red neuronal diseñada para coincidir con los patrones de toma de decisiones humanas.
"Las redes neuronales toman una decisión sin decirte si confían o no en su decisión", dijo en un artículo Farshad Rafiei, quien obtuvo su doctorado en psicología en Georgia Tech. comunicado de prensa.
Este es un marcado contraste con los humanos, que normalmente reconocen las incertidumbres.
Para desarrollar y probar este modelo innovador, el equipo empleó el renombrado conjunto de datos MNIST y pidió a su red neuronal que descifrara dígitos escritos a mano. Agregaron ruido al conjunto de datos, lo que dificultó que tanto los humanos como las máquinas identificaran los dígitos con precisión. Luego, los investigadores compararon el rendimiento de la red neuronal con el de 60 estudiantes de Georgia Tech. Los resultados fueron sorprendentemente similares en términos de precisión, tiempo de respuesta y niveles de confianza, lo que indica el comportamiento humano de la red.
La red neuronal del equipo de investigación aprovecha un marco de red neuronal bayesiana (BNN) que utiliza la probabilidad para la toma de decisiones y un proceso de acumulación de evidencia. Esto significa que las respuestas del modelo varían con cada decisión, al igual que las decisiones humanas, que pueden diferir según la evidencia acumulada.
Como señaló Rafiei, el modelo también siguió intrínsecamente el “compromiso velocidad-precisión”, un fenómeno psicológico en el que decisiones más rápidas a menudo resultan en una precisión reducida.
"En términos generales, no tenemos suficientes datos humanos en la literatura informática existente, por lo que no sabemos cómo se comportará la gente cuando se vea expuesta a estas imágenes", añadió Rafiei. "Este trabajo proporciona uno de los mayores conjuntos de datos de humanos que responden al MNIST".
Esta red neuronal no solo superó a los modelos deterministas sino que también funcionó mejor en escenarios que requieren decisiones rápidas debido a su aplicación de confianza similar a la humana.
"Si intentamos acercar nuestros modelos al cerebro humano, se reflejará en el comportamiento mismo sin necesidad de realizar ajustes", añadió Rafiei.
De cara al futuro, los investigadores pretenden entrenar RTNet en conjuntos de datos más diversos e incorporar este marco BNN en otras redes neuronales. Su objetivo final es crear algoritmos que puedan disminuir la carga cognitiva de las 35,000 decisiones que tomamos cada día, mejorando tanto la eficiencia como la precisión.
Este avance subraya el potencial de las redes neuronales para evolucionar más allá de sus limitaciones actuales, allanando el camino para sistemas de IA que piensan y reaccionan más como los humanos.