Mô hình RTNet áp dụng các đặc điểm giống con người như sự tự tin và tích lũy bằng chứng, nâng cao cả độ chính xác và tin cậy. Ảnh: Bbntimes
Mạng lưới này mô phỏng các quá trình ra quyết định của con người, gồm sự tự tin và khả năng thay đổi, cải thiện độ tin cậy và chính xác của nó trong các nhiệm vụ như nhận dạng chữ số.
Đây có thể là một yếu tố thay đổi cuộc chơi có thể giúp máy học (Machine Learning - ML) đưa ra quyết định giống con người và trở nên đáng tin cậy hơn.
Giải mã việc ra quyết định
Con người đưa ra gần 35 nghìn quyết định mỗi ngày, từ việc xác định xem có an toàn để băng qua đường hay không cho đến việc chọn món cho bữa trưa. Mỗi quyết định đều liên quan đến việc đánh giá các lựa chọn, nhớ lại các tình huống tương tự trong quá khứ và cảm thấy khá tự tin về các lựa chọn đúng đắn.
Những gì có vẻ là quyết định vội vàng thực sự là kết quả của việc thu thập bằng chứng từ môi trường. Ngoài ra, cùng một người có thể đưa ra các quyết định khác nhau trong các tình huống giống hệt nhau vào các thời điểm khác nhau.
Trong khi đó, RTNet làm ngược lại, mỗi lần chúng đều đưa ra cùng một quyết định như nhau. Hiện tại, các nhà nghiên cứu của Viện Công nghệ Georgia tại phòng thí nghiệm của PGS Dobromir Rahnev đang đào tạo chúng để đưa ra quyết định giống con người hơn.
Khoa học về quá trình ra quyết định của con người này mới chỉ được áp dụng vào máy học, nhưng theo các nhà nghiên cứu, việc phát triển một mạng lưới nơ-ron gần hơn với bộ não thực tế của con người có thể khiến nó đáng tin cậy hơn.
“Mạng nơ-ron đưa ra quyết định mà không cho bạn biết chúng có tự tin về quyết định của mình hay không”, TS tâm lý học Farshad Rafiei tại Viện Công nghệ Georgia cho biết và nói thêm, “đây là một trong những điểm khác biệt cơ bản so với cách con người đưa ra quyết định”.
Ngược lại, hầu hết con người trong cùng một tình huống sẽ thừa nhận rằng họ không biết câu trả lời. Việc xây dựng một mạng lưới nơ-ron giống con người hơn có thể ngăn chặn sự trùng lặp này và đưa ra các câu trả lời chính xác hơn.
Các nhà nghiên cứu tại Viện Công nghệ Georgia đang phát triển mạng lưới nơ-ron để mô phỏng quá trình ra quyết định của con người. Ảnh: Scitech Daily
Tạo mô hình
Các nhà nghiên cứu đã đào tạo mạng lưới nơ-ron của họ trên các chữ số viết tay từ một tập dữ liệu tin học nổi tiếng có tên là MNIST và yêu cầu nó giải mã từng số. Để xác định độ chính xác của mô hình, họ cho nó chạy với tập dữ liệu gốc này và sau đó thêm nhiễu vào các chữ số để con người khó phân biệt hơn.
Để so sánh hiệu suất của mô hình trên với con người, họ đã đào tạo mô hình của mình (cũng như 3 mô hình khác: CNet, BLNet và MSDNet) trên tập dữ liệu MNIST gốc không có nhiễu, nhưng đã thử nghiệm chúng trên phiên bản nhiễu được sử dụng trong các thí nghiệm và so sánh kết quả từ 2 tập dữ liệu.
Mô hình của các nhà nghiên cứu dựa trên 2 thành phần chính: Mạng nơ-ron Bayesian (BNN), sử dụng xác suất để đưa ra quyết định và quy trình tích lũy bằng chứng để theo dõi cho mỗi lựa chọn.
BNN tạo ra các phản hồi hơi khác nhau mỗi lần. Khi thu thập thêm bằng chứng, quy trình tích lũy đôi khi có thể thiên về một lựa chọn này và đôi khi thiên về lựa chọn khác. Khi có đủ bằng chứng để quyết định, RTNet sẽ dừng quy trình tích lũy và đưa ra quyết định.
Các nhà nghiên cứu cũng tính thời gian cho tốc độ ra quyết định của mô hình để xem liệu nó có tuân theo hiện tượng tâm lý được gọi là “sự đánh đổi tốc độ - độ chính xác” hay không, hiện tượng này chỉ ra rằng con người kém chính xác hơn khi họ phải đưa ra quyết định nhanh chóng.
Sau khi có kết quả của mô hình, các nhà nghiên cứu so sánh chúng với kết quả của con người. 60 sinh viên của Viện Công nghệ Georgia đã xem cùng một tập dữ liệu và chia sẻ sự tự tin của họ vào quyết định của mình. Từ đó thấy rằng, tỷ lệ chính xác, thời gian phản hồi và các mẫu tự tin là tương đương giữa con người và mạng nơ-ron.
Theo TS Rafiei công trình này cung cấp một trong những tập dữ liệu lớn nhất về phản ứng của con người đối với MNIST. Mô hình của nhóm không chỉ vượt trội hơn tất cả các mô hình xác định khác mà còn chính xác hơn trong các tình huống tốc độ cao hơn do hoạt động giống như con người.
Ví dụ, mọi người cảm thấy tự tin hơn khi họ đưa ra quyết định đúng đắn. TS Rafiei lưu ý rằng thậm chí không cần đào tạo mô hình cụ thể để ưu tiên sự tự tin, mô hình đã tự động áp dụng điều đó. “Nếu chúng tôi cố gắng làm cho các mô hình của mình gần hơn với bộ não con người, điều đó sẽ thể hiện trong chính hành vi mà không cần tinh chỉnh”, TS Rafiei nói.
Nhóm nghiên cứu hy vọng sẽ đào tạo mạng nơ-ron trên các tập dữ liệu đa dạng hơn để kiểm tra tiềm năng của nó. Họ cũng mong muốn áp dụng mô hình BNN này cho các mạng nơ-ron khác để chúng hợp lý hóa giống con người hơn. Cuối cùng, các thuật toán sẽ không chỉ có thể mô phỏng khả năng ra quyết định của chúng ta mà còn có thể giúp giảm bớt gánh nặng nhận thức của 35 nghìn quyết định mà chúng ta đưa ra hàng ngày.
