Con người đưa ra gần 35,000 quyết định mỗi ngày, từ việc nấu món gì cho bữa tối cho đến mua loại xe hơi nào.
Mọi quyết định đều liên quan đến việc cân nhắc các lựa chọn, ghi nhớ các tình huống tương tự trong quá khứ và cảm thấy khá tự tin về lựa chọn đúng đắn.
Những gì có vẻ như là quyết định vội vàng thật ra lại xuất phát từ việc thu thập bằng chứng từ môi trường xung quanh. Hơn nữa, thường thì cùng một người đưa ra các quyết định khác nhau trong cùng một tình huống vào các thời điểm không giống nhau.
Các mạng nơ-ron thì hoạt động ngược lại, đưa ra cùng một quyết định mỗi lần. Hiện nay, các nhà nghiên cứu của Georgia Tech trong phòng thí nghiệm của phó giáo sư Dobromir Rahnev đang đào tạo các mạng nơ-ron 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 khoa học, việc phát triển một mạng nơ-ron gần giống với não người khiến nó trở nên đáng tin cậy hơn.
Trong một bài báo trên tạp chí Nature Human Behaviour, “Mạng lưới thần kinh RTNet thể hiện các đặc điểm của quá trình ra quyết định nhận thức của con người,” một nhóm nghiên cứu từ Khoa Tâm Lý Học tiết lộ một mạng lưới thần kinh mới được đào tạo để đưa ra các quyết định tương tự như chúng ta.
Giải mã quyết định
Farshad Rafiei, bác sĩ về tâm lý học tại Georgia Tech, cho biết: “Mạng lưới thần kinh đưa ra quyết định mà không cho bạn biết chúng có tự tin về quyết định đó hay không. Đây là một trong những điểm khác biệt cơ bản so với cách mọi người đưa ra sự lựa chọn.”
Ví dụ như các mô hình ngôn ngữ lớn (Large Language Models – LLM) dễ bị ảo giác. Khi một LLM được hỏi một câu hỏi mà chúng không biết câu trả lời, LLM sẽ bịa ra điều gì đó mà không thừa nhận sự giả tạo đó. Ngược lại, hầu hết con người trong cùng một tình huống sẽ thừa nhận rằng chúng không biết câu trả lời. Việc xây dựng một mạng lưới thần kinh giống con người hơn sẽ ngăn chặn sự trùng lặp này và đưa ra các câu trả lời chính xác hơn.
Tạo mô hình
Nhóm các nhà khoa học đã đào tạo mạng nơ-ron của họ trên các chữ số viết tay từ một tập dữ liệu khoa học máy tính nổi tiếng có tên là MNIST và yêu cầu nó giải mã từng số. Để xác định độ chính xác của mô hình, họ chạy MNIST với tập dữ liệu gốc và sau đó thêm nhiễu vào các chữ số để chúng ta khó phân biệt hơn.
Để so sánh hiệu suất của mô hình với con người, họ đào tạo mô hình của mình (cũng như ba 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 hai tập dữ liệu.
Mô hình của các nhà nghiên cứu dựa trên hai thành phần chính: mạng nơ-ron Bayesian (Bayesian Neural Network – BNN), sử dụng xác suất để đưa ra quyết định và quy trình tích lũy bằng chứng theo dõi bằng chứng 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 sẽ thiên về một lựa chọn này và đôi khi là 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 đã 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 nhiều người thường mắc lỗi hơn khi họ phải đưa ra quyết định nhanh chóng.
Sau khi có kết quả của mô hình, họ đã so sánh chúng với kết quả của con người. 60 sinh viên của Georgia Tech đã xem cùng một tập dữ liệu và chia sẻ sự tự tin của họ vào quyết định của mình, và các nhà nghiên cứu nhận thấy tỷ lệ chính xác, thời gian phản hồi và các kiểu tự tin là tương tự nhau giữa con người và mạng nơ-ron.
Rafiei cho biết: “Nhìn chung, chúng tôi không có đủ dữ liệu về con người trong các tài liệu khoa học máy tính hiện có, vì vậy tôi cùng các đồng nghiệp không biết mọi người sẽ hành xử như thế nào khi họ tiếp xúc với những hình ảnh này. Hạn chế này cản trở sự phát triển của các mô hình sao chép chính xác quá trình ra quyết định của mỗi cá nhân. Công trình này cung cấp một trong những tập dữ liệu lớn nhất về phản ứng của người đối với MNIST.”
Mô hình của nhóm không chỉ vượt trội hơn tất cả các mô hình xác định đối thủ mà còn chính xác hơn trong các tình huống tốc độ cao hơn do một yếu tố cơ bản khác của tâm lý con người: RTNet hoạt động giống y như người vậy.
Như mọi người cảm thấy tự tin hơn khi họ đưa ra quyết định đúng đắn. Rafiei lưu ý rằng thậm chí không cần phải đào tạo mô hình cụ thể để ủng hộ sự tự tin, mô hình đã tự động áp dụng điều đó.
“Nếu chúng ta cố gắng làm cho các mô hình của mình gần hơn với bộ não con người, điều này sẽ thể hiện trong chính hành vi mà không cần tinh chỉnh,” ông giải thích.
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 đợi áp dụng mô hình BNN này cho các mạng nơ-ron khác để cho phép chúng hợp lý hóa giống loài người hơn.
Cuối cùng, các thuật toán sẽ không chỉ có thể mô phỏng khả năng ra quyết định của chúng ta, mà còn giúp giảm bớt gánh nặng nhận thức của khoảng 35,000 quyết định mà mỗi người phải đưa ra hàng ngày.
