In un’epoca in cui l’intelligenza artificiale (IA) sta assumendo ruoli sempre più complessi nella nostra vita quotidiana, una nuova innovazione dalla Georgia Tech sta rivoluzionando il modo in cui le macchine prendono decisioni. I ricercatori dell’Istituto di Tecnologia della Georgia hanno recentemente sviluppato una rete neurale artificiale, denominata RTNet, che non solo imita il processo decisionale umano, ma lo fa con una precisione che potrebbe segnare un vero e proprio punto di svolta nella tecnologia dell’apprendimento automatico.
Il processo decisionale umano
Gli esseri umani affrontano quotidianamente una miriade di decisioni, che vanno dalla scelta di un percorso per evitare il traffico a quella di cosa mangiare a pranzo. Queste decisioni, anche se sembrano rapide e istintive, sono il risultato di un processo complesso che include l’analisi delle opzioni disponibili, il ricordo di esperienze passate e una valutazione della fiducia nella decisione presa. Ogni scelta implica una raccolta di prove e una valutazione continua che può portare a decisioni diverse in contesti simili ma in tempi diversi.
In contrasto, le reti neurali tradizionali si basano su algoritmi che prendono decisioni in modo rigido e uniforme. Fino ad ora, queste macchine non hanno mai realmente replicato la variabilità e l’incertezza del processo decisionale umano, il che le rende spesso meno adattabili e meno affidabili nelle situazioni reali.
Il Modello RTNet
Sotto la guida del professor associato Dobromir Rahnev, il team di ricerca della Georgia Tech ha progettato e implementato RTNet, una rete neurale avanzata che si avvicina in modo sorprendente al comportamento decisionale umano. Pubblicato su Nature Human Behaviour, il lavoro dei ricercatori ha dimostrato che RTNet è in grado di non solo riconoscere e decifrare cifre scritte a mano con rumore, ma di farlo con una variabilità e una fiducia che imitano quelle degli esseri umani.
Il cuore di RTNet è costituito da due componenti chiave: una rete neurale bayesiana (BNN) e un processo di accumulo delle prove. La BNN utilizza probabilità per generare risposte che variano leggermente a seconda delle informazioni disponibili e delle incertezze intrinseche. Questa variabilità consente a RTNet di accumulare prove e ponderare le decisioni in modo più simile a come farebbe un essere umano. Il processo di accumulo delle prove permette al modello di valutare e rivalutare continuamente le informazioni prima di prendere una decisione finale, emulando così il processo decisionale umano che spesso è influenzato dalla quantità e dalla qualità delle prove raccolte.
Il confronto con l’umanità
Per testare l’efficacia di RTNet, i ricercatori hanno utilizzato il set di dati MNIST, una collezione di cifre scritte a mano utilizzata comunemente per valutare le prestazioni dei modelli di apprendimento automatico. RTNet è stato addestrato su questo set di dati e poi sottoposto a una versione del set di dati con rumore aggiunto, che rendeva il compito più difficile. I risultati ottenuti da RTNet sono stati confrontati con quelli di modelli concorrenti e con le prestazioni umane di un gruppo di 60 studenti della Georgia Tech.
Il confronto ha rivelato che RTNet non solo eguagliava, ma spesso superava le prestazioni degli altri modelli deterministici, soprattutto in scenari che richiedevano decisioni rapide. In aggiunta, il modello ha mostrato una gestione della fiducia e dei tempi di risposta simili a quelli degli esseri umani, evidenziando come la sua progettazione possa riflettere in modo accurato i fenomeni psicologici legati al processo decisionale.
L’impulso verso una maggiore intelligenza
Il successo di RTNet rappresenta un passo significativo verso il perfezionamento dell’IA per riflettere più fedelmente il modo in cui gli esseri umani pensano e decidono. Farshad Rafiei, dottorato di ricerca in psicologia e membro del team di ricerca, ha sottolineato come le reti neurali tradizionali non siano progettate per comunicare il livello di certezza nella loro decisione, un aspetto fondamentale del processo decisionale umano. Questa lacuna può portare a problemi significativi, come le “allucinazioni” nei modelli linguistici di grandi dimensioni (LLM), dove le macchine forniscono risposte errate senza riconoscere la loro inadeguatezza.
RTNet affronta questo problema integrando un meccanismo che simula la fiducia e l’incertezza umana, migliorando così la qualità e l’affidabilità delle risposte generate. La capacità di RTNet di adattarsi e reagire in modo simile agli esseri umani potrebbe rivoluzionare vari settori, dalla diagnostica medica alla guida autonoma, aprendo nuove strade per l’applicazione dell’IA in contesti complessi e variabili.
Il team di ricerca prevede di estendere l’addestramento di RTNet su set di dati ancora più vari e complessi, per testare e ampliare le capacità del modello. L’obiettivo finale è quello di applicare il modello BNN a una varietà di reti neurali, affinché possano razionalizzare e prendere decisioni in modo sempre più simile agli esseri umani. Questa evoluzione non solo potrà migliorare l’efficacia delle IA, ma potrà anche alleviare parte del carico cognitivo associato alle decisioni quotidiane che tutti noi affrontiamo.
