Para peneliti di Georgia Tech tengah mengembangkan jaringan saraf untuk meniru pengambilan keputusan manusia dengan melatihnya agar menunjukkan variabilitas dan keyakinan dalam pilihannya, mirip dengan cara manusia beroperasi, seperti yang ditunjukkan dalam studi mereka yang dipublikasikan di Nature Human Behaviour. Model mereka, RTNet, tidak hanya menyamai kinerja manusia dalam mengenali angka-angka yang tidak jelas, tetapi juga menggabungkan sifat-sifat seperti manusia seperti keyakinan dan pengumpulan bukti, yang meningkatkan akurasi dan keandalan. Kredit: SciTechDaily.com
Para peneliti Georgia Tech telah mengembangkan jaringan saraf, RTNet, yang meniru proses pengambilan keputusan manusia, termasuk kepercayaan diri dan variabilitas, meningkatkan keandalannya dan ketepatan dalam tugas-tugas seperti pengenalan angka.
Manusia membuat hampir 35.000 keputusan setiap hari, mulai dari memutuskan apakah aman untuk menyeberang jalan hingga memilih apa yang akan dimakan untuk makan siang. Setiap keputusan melibatkan evaluasi pilihan, mengingat situasi masa lalu yang serupa, dan merasa cukup yakin tentang pilihan yang tepat. Apa yang mungkin tampak sebagai keputusan cepat sebenarnya merupakan hasil dari pengumpulan bukti dari lingkungan. Lebih jauh, orang yang sama dapat membuat keputusan yang berbeda dalam skenario yang sama pada waktu yang berbeda.
Jaringan saraf melakukan hal yang sebaliknya, membuat keputusan yang sama setiap saat. Kini, para peneliti Georgia Tech di laboratorium Associate Professor Dobromir Rahnev melatih mereka untuk membuat keputusan lebih seperti manusia. Ilmu pengambilan keputusan manusia ini baru saja diterapkan pada pembelajaran mesinNamun, pengembangan jaringan saraf yang lebih menyerupai otak manusia sebenarnya dapat membuatnya lebih andal, kata para peneliti.
Dalam sebuah makalah di Perilaku Alami ManusiaSebuah tim dari Sekolah Psikologi telah mengungkap jaringan saraf baru yang dilatih untuk membuat keputusan serupa dengan manusia.
Keputusan Decoding
“Jaringan saraf membuat keputusan tanpa memberi tahu Anda apakah mereka yakin atau tidak,” kata Farshad Rafiei, yang meraih gelar Ph.D. dalam bidang psikologi di Georgia Tech. “Itulah salah satu perbedaan mendasar dari cara manusia membuat keputusan.”
Model bahasa besar (LLM), misalnya, rentan terhadap halusinasi. Ketika ditanya pertanyaan yang tidak mereka ketahui jawabannya, LLM akan mengarang sesuatu tanpa mengakui kesalahannya. Sebaliknya, kebanyakan manusia dalam situasi yang sama akan mengakui bahwa mereka tidak tahu jawabannya. Membangun jaringan saraf yang lebih mirip manusia dapat mencegah duplikasi ini dan menghasilkan jawaban yang lebih akurat.
Membuat Model
Tim melatih jaringan saraf mereka pada digit tulisan tangan dari kumpulan data ilmu komputer terkenal yang disebut MNIST dan memintanya untuk menguraikan setiap angka. Untuk menentukan akurasi model, mereka menjalankannya pada kumpulan data asli dan kemudian menambahkan gangguan pada digit tersebut untuk mempersulit manusia membedakannya. Untuk membandingkan kinerja model terhadap manusia, mereka melatih model mereka (serta tiga model lainnya: CNet, BLNet, dan MSDNet) pada kumpulan data MNIST asli tanpa gangguan, tetapi mengujinya pada versi yang terganggu yang digunakan dalam percobaan dan membandingkan hasil dari kedua kumpulan data tersebut.
Model peneliti bergantung pada dua komponen utama: jaringan saraf Bayesian (BNN), yang menggunakan probabilitas untuk membuat keputusan, dan proses akumulasi bukti yang melacak bukti untuk setiap pilihan. BNN menghasilkan respons yang sedikit berbeda setiap kali. Saat mengumpulkan lebih banyak bukti, proses akumulasi terkadang dapat menguntungkan satu pilihan dan terkadang menguntungkan pilihan lainnya. Setelah ada cukup bukti untuk membuat keputusan, RTNet menghentikan proses akumulasi dan membuat keputusan.
Para peneliti juga mengukur kecepatan pengambilan keputusan model untuk melihat apakah model tersebut mengikuti fenomena psikologis yang disebut “kompromi kecepatan-akurasi,” yang menyatakan bahwa manusia kurang akurat ketika mereka harus membuat keputusan dengan cepat.
Setelah memperoleh hasil model, mereka membandingkannya dengan hasil manusia. Enam puluh mahasiswa Georgia Tech mengamati kumpulan data yang sama dan berbagi keyakinan mereka dalam keputusan mereka, dan para peneliti menemukan tingkat akurasi, waktu respons, dan pola keyakinan yang serupa antara manusia dan jaringan saraf.
“Secara umum, kami tidak memiliki cukup data manusia dalam literatur ilmu komputer yang ada, jadi kami tidak tahu bagaimana orang akan berperilaku saat melihat gambar-gambar ini. Keterbatasan ini telah menghambat pengembangan model yang secara akurat mereplikasi pengambilan keputusan manusia,” kata Rafiei. “Karya ini menyediakan salah satu kumpulan data terbesar manusia yang menanggapi MNIST.”
Model tim tersebut tidak hanya mengungguli semua model deterministik yang bersaing, tetapi juga lebih akurat dalam skenario kecepatan tinggi karena elemen fundamental lain dari psikologi manusia: RTNet berperilaku seperti manusia. Misalnya, orang merasa lebih percaya diri saat mereka membuat keputusan yang tepat. Tanpa harus melatih model secara khusus untuk memprioritaskan kepercayaan diri, model tersebut secara otomatis menerapkannya, catat Rafiei.
“Jika kita mencoba mendekatkan model kita dengan otak manusia, model tersebut akan terlihat dalam perilaku manusia itu sendiri tanpa penyesuaian apa pun,” katanya.
Tim tersebut berharap dapat melatih jaringan saraf pada berbagai macam set data untuk menguji potensinya. Mereka juga berharap dapat menerapkan model BNN ke jaringan saraf lain untuk membantu mereka berpikir lebih rasional seperti manusia. Pada akhirnya, algoritme tersebut tidak hanya dapat meniru kemampuan kita dalam mengambil keputusan, tetapi bahkan dapat membantu meringankan sebagian beban kognitif dari 35.000 keputusan yang kita buat setiap hari.
Referensi: “Jaringan saraf RTNet menunjukkan tanda-tanda pengambilan keputusan persepsi manusia” oleh Farshad Rafiei, Medha Shekhar dan Dobromir Rahnev, 12 Juli 2024, Perilaku Alami Manusia.
DOI: 10.1038/s41562-024-01914-8
NewsRoom.id
