AI Belajar Berpikir Seperti Manusia: Sebuah Perubahan Besar dalam Pembelajaran Mesin

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 seperti pengenalan angka.

Manusia membuat hampir 35.000 keputusan setiap hari, mulai dari menentukan 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. Selain itu, orang yang sama mungkin 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 Affiliate Professor Dobromir Rahnev melatih mereka untuk membuat keputusan lebih seperti manusia. Ilmu pengambilan keputusan manusia ini baru saja diterapkan pada pembelajaran mesintetapi mengembangkan jaringan saraf yang lebih dekat dengan otak manusia sesungguhnya dapat membuatnya lebih andal, menurut para peneliti.

Dalam sebuah makalah di Perilaku Manusia Alamitim dari Sekolah Psikologi 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 dengan keputusan mereka,” kata Farshad Rafiei, yang meraih gelar Ph.D. dalam bidang psikologi di Georgia Tech. “Ini adalah salah satu perbedaan mendasar dari cara orang membuat keputusan.”

Mannequin bahasa besar (LLM), misalnya, rentan terhadap halusinasi. Ketika LLM ditanyai pertanyaan yang tidak diketahui jawabannya, ia akan mengarang sesuatu tanpa mengakui kepalsuan tersebut. 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 Mannequin

Tim melatih jaringan saraf mereka pada digit tulisan tangan dari kumpulan knowledge ilmu komputer terkenal yang disebut MNIST dan memintanya untuk menguraikan setiap angka. Untuk menentukan akurasi mannequin, mereka menjalankannya dengan kumpulan knowledge asli dan kemudian menambahkan gangguan pada digit tersebut agar manusia lebih sulit membedakannya. Untuk membandingkan kinerja mannequin terhadap manusia, mereka melatih mannequin mereka (serta tiga mannequin lainnya: CNet, BLNet, dan MSDNet) pada kumpulan knowledge MNIST asli tanpa gangguan, tetapi mengujinya pada versi gangguan yang digunakan dalam eksperimen dan membandingkan hasil dari kedua kumpulan knowledge tersebut.

Mannequin peneliti mengandalkan 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 saat. Saat mengumpulkan lebih banyak bukti, proses akumulasi terkadang dapat menguntungkan satu pilihan dan terkadang pilihan lainnya. Setelah ada cukup bukti untuk memutuskan, RTNet menghentikan proses akumulasi dan membuat keputusan.

Para peneliti juga mengukur kecepatan pengambilan keputusan mannequin untuk mengetahui apakah mannequin tersebut mengikuti fenomena psikologis yang disebut “kompromi kecepatan-akurasi” yang menyatakan bahwa manusia kurang akurat saat mereka harus membuat keputusan dengan cepat.

Setelah memperoleh hasil mannequin, mereka membandingkannya dengan hasil manusia. Enam puluh mahasiswa Georgia Tech melihat kumpulan knowledge yang sama dan berbagi keyakinan mereka dalam keputusan mereka, dan para peneliti menemukan tingkat akurasi, waktu respons, dan pola keyakinan serupa antara manusia dan jaringan saraf.

“Secara umum, kami tidak memiliki cukup knowledge manusia dalam literatur ilmu komputer yang ada, jadi kami tidak tahu bagaimana orang akan berperilaku saat mereka melihat gambar-gambar ini. Keterbatasan ini menghambat pengembangan mannequin yang secara akurat mereplikasi pengambilan keputusan manusia,” kata Rafiei. “Karya ini menyediakan salah satu kumpulan knowledge terbesar tentang manusia yang menanggapi MNIST.”

Mannequin tim tersebut tidak hanya mengungguli semua mannequin deterministik pesaing, tetapi juga lebih akurat dalam skenario kecepatan tinggi karena elemen basic lain dari psikologi manusia: RTNet berperilaku seperti manusia. Misalnya, orang merasa lebih percaya diri saat mereka membuat keputusan yang benar. Tanpa harus melatih mannequin secara khusus untuk mengutamakan rasa percaya diri, mannequin tersebut secara otomatis menerapkannya, catat Rafiei.

“Jika kita mencoba mendekatkan mannequin kita dengan otak manusia, hal itu akan terlihat dari perilaku manusia itu sendiri tanpa perlu penyesuaian,” katanya.

Tim peneliti berharap dapat melatih jaringan saraf pada kumpulan knowledge yang lebih bervariasi untuk menguji potensinya. Mereka juga berharap dapat menerapkan mannequin BNN ini ke jaringan saraf lain agar dapat berpikir lebih rasional seperti manusia. Pada akhirnya, algoritme 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 Manusia Alami.
DOI: 10.1038/s41562-024-01914-8