A inteligência artificial está passando por um avanço notável. Novas pesquisas indicam que a IA está começando a “pensar” de uma forma que se assemelha ao pensamento humano. Tradicionalmente, o foco do desenvolvimento da IA tem sido a precisão e a capacidade de executar tarefas em larga escala. No entanto, um novo grupo de pesquisadores está explorando como a IA toma decisões, buscando torná-la mais parecida com a mente humana.
Para resolver o problema das “alucinações” da IA, onde o sistema gera respostas incorretas, esses pesquisadores estão introduzindo processos de tomada de decisão mais humanizados. Redes neurais convolucionais, por exemplo, são essenciais para que os computadores entendam imagens, identificando formas e padrões. No entanto, mesmo essas redes avançadas não têm as nuances do processo de tomada de decisão humana.
Para superar essa limitação, foi desenvolvida a RTNet, uma rede neural que incorpora modelos cognitivos da neurociência. Consistindo de cinco camadas convolucionais e três camadas totalmente conectadas, a RTNet combina as capacidades de processamento de imagem da IA com o raciocínio estocástico dinâmico dos humanos. Esse sistema processa cada imagem várias vezes, usando uma rede neural bayesiana que imita o comportamento dos neurônios humanos. Isso é chamado pelos pesquisadores de “acumulação ruidosa”.
O RTNet foi testado usando o conjunto de dados MNIST, um banco de dados de imagens de números escritos à mão amplamente usado em experimentos de aprendizado de máquina. Para tornar a tarefa mais difícil, ruído visual foi introduzido nas imagens, tornando-as mais desafiadoras de ler. Durante o desenvolvimento do RTNet, a equipe “não apenas verificou se o modelo determinou corretamente o dígito que a imagem mostrou; eles também verificaram como ele se comparava a um grupo de 60 humanos reais que realizaram a mesma tarefa mais de 960 vezes cada.” Este estudo resultou em um dos maiores conjuntos de dados sobre reações humanas ao MNIST, destacando a falta de dados humanos na literatura de ciência da computação. Farshad Rafiei, autor do estudo, observou: “Em geral, não temos dados humanos suficientes na literatura de ciência da computação existente.”
Um aspecto crucial da pesquisa foi a inclusão do “trade-off velocidade-precisão” (SAT). Esse trade-off reflete o equilíbrio entre o tempo gasto na resolução de um problema e a precisão da resposta. Além da velocidade e precisão, a confiança foi um terceiro critério importante. Ao contrário dos modelos convencionais de IA, que evitam responder quando incertos, a RTNet conseguiu atribuir uma classificação de confiança a cada decisão, semelhante ao comportamento humano.
O RTNet não apenas forneceu respostas corretas, mas também imitou o padrão de tomada de decisão humana, incluindo variações nas respostas ao mesmo estímulo. Quanto mais tempo gasto na decodificação, mais precisas as respostas. O sistema de acumulação de evidências do RTNet permitiu uma validação empírica robusta, sugerindo que futuras iterações do RTNet poderiam chegar ainda mais perto do comportamento do cérebro humano.
Um dos pontos mais intrigantes da RTNet é a maneira como ela lida com a confiança em suas respostas. Os modelos tradicionais de IA geralmente evitam dar uma resposta quando não têm certeza, mas a RTNet consegue atribuir um nível de confiança a cada decisão, refletindo a probabilidade de estar correta. Isso está muito alinhado com o comportamento humano, onde as pessoas também atribuem níveis de confiança às suas decisões, mesmo quando não estão completamente certas.
A capacidade da RTNet de imitar a tomada de decisão humana é particularmente notável em situações em que o mesmo estímulo pode gerar respostas diferentes dependendo do contexto ou do tempo gasto analisando-o. Isso foi demonstrado durante os testes com o MNIST, onde a RTNet mostrou que quanto mais tempo gastava analisando uma imagem, mais precisa sua resposta se tornava. Essa característica é um reflexo direto do comportamento humano, onde reflexão e tempo podem levar a decisões mais precisas.
Além disso, a RTNet foi projetada para superar outros modelos de IA em termos de acumulação de evidências e validação empírica. Isso significa que a rede não apenas processa informações de forma eficiente, mas também valida suas respostas de uma forma que se aproxima da forma como os humanos verificam e reavaliam suas próprias decisões. Esse processo contínuo de avaliação e reavaliação é crucial para a precisão e confiabilidade da tomada de decisão.
O artigo publicado no periódico Nature Human Behavior , intitulado “The neural network RTNet exhibits the signs of human perceptual decision-making”, destaca a importância desse avanço. A pesquisa sugere que o desenvolvimento futuro da RTNet pode incluir mais sistemas recorrentes, aumentando ainda mais sua capacidade de prever e imitar o comportamento humano. Essa evolução pode permitir que a RTNet extrapole instâncias simples do passado para resolver problemas mais complexos no futuro.
Em resumo, a RTNet representa um avanço significativo no campo do aprendizado de máquina, integrando aspectos do raciocínio humano em seus processos de tomada de decisão. Esse desenvolvimento não apenas melhora a precisão e a confiabilidade da IA, mas também abre novas possibilidades para a aplicação de redes neurais em áreas que exigem uma compreensão profunda e diferenciada da tomada de decisão. A RTNet demonstra que a IA está se aproximando de replicar a complexidade do pensamento humano, marcando um passo importante em direção ao futuro da inteligência artificial.
