Em um avanço significativo para o campo da inteligência artificial (IA), pesquisadores da Georgia Tech desenvolveram a RTNet, uma rede neural inovadora que imita os processos de tomada de decisão humana. Esta tecnologia emergente promete melhorar a confiabilidade e precisão em tarefas complexas, como o reconhecimento de dígitos, e pode revolucionar a forma como interagimos com a IA.
Os seres humanos tomam cerca de 35.000 decisões diariamente, desde pequenas escolhas cotidianas até decisões críticas. Este processo envolve avaliar opções, lembrar de experiências passadas e ter confiança na decisão tomada.
O que pode parecer uma escolha rápida é, na verdade, o resultado de uma coleta abrangente de evidências do ambiente. Além disso, a variabilidade nas decisões humanas significa que a mesma pessoa pode optar por ações diferentes em situações semelhantes, dependendo do contexto.
Redes neurais tradicionais, no entanto, tomam decisões de forma determinística, repetindo as mesmas escolhas em situações idênticas. A inovação da Georgia Tech, liderada pelo Professor Associado Dobromir Rahnev, visa mudar isso, treinando redes neurais para tomar decisões de forma mais humana.
Inteligencia artificial
No estudo publicado na Nature Human Behaviour, a equipe da Escola de Psicologia da Georgia Tech revelou a RTNet, uma rede neural projetada para incorporar confiança e variabilidade nas suas decisões. Esta abordagem se destaca, pois permite que a rede neural considere a confiança em suas decisões, algo que modelos de linguagem tradicionais, como os grandes modelos de linguagem (LLM), não conseguem fazer.
Farshad Rafiei, que obteve seu Ph.D. em psicologia na Georgia Tech, explica: “Redes neurais geralmente tomam decisões sem expressar confiança sobre a sua correção. Isso é uma diferença crucial em relação ao comportamento humano, onde frequentemente admitimos não saber uma resposta quando estamos incertos.”
A equipe treinou a RTNet usando dígitos manuscritos do famoso conjunto de dados MNIST. Para avaliar a precisão do modelo, adicionaram ruído aos dígitos, dificultando o reconhecimento tanto para humanos quanto para a IA. O desempenho da RTNet foi então comparado com outros modelos e com respostas humanas.
A RTNet baseia-se em dois componentes principais: uma rede neural bayesiana (BNN), que utiliza probabilidades para tomar decisões, e um processo de acumulação de evidências que coleta informações para cada escolha possível. A BNN permite respostas variáveis, enquanto o processo de acumulação decide quando há evidências suficientes para tomar uma decisão.
Os resultados mostraram que a RTNet não só superou outros modelos determinísticos, mas também se comportou de maneira semelhante aos humanos em termos de taxa de precisão, tempo de resposta e padrões de confiança. Sessenta estudantes da Georgia Tech participaram do experimento, confirmando a semelhança entre as decisões humanas e as da RTNet.
