Un nouveau réseau neuronal prend des décisions comme le ferait un humain

Les humains prennent près de 35 000 décisions chaque jour, qu’il s’agisse de savoir s’il est sécuritaire de traverser la rue ou de choisir ce qu’ils vont manger pour le déjeuner. Chaque décision implique de peser les options, de se souvenir de scénarios similaires passés et d’être raisonnablement sûr de faire le bon choix. Ce qui peut sembler être une décision rapide est en fait le fruit d’une collecte de données dans l’environnement. Et souvent, la même personne prend des décisions différentes dans les mêmes scénarios à des moments différents.

Les réseaux neuronaux font l’inverse, ils prennent les mêmes décisions à chaque fois. Aujourd’hui, les chercheurs de Georgia Tech, dans le laboratoire du professeur associé Dobromir Rahnev, les entraînent à prendre des décisions plus proches de celles des humains. Cette science de la prise de décision humaine n’en est qu’à ses débuts dans l’apprentissage automatique, mais le développement d’un réseau neuronal encore plus proche du cerveau humain pourrait le rendre plus fiable, selon les chercheurs.

Dans un article de Nature Comportement humain« Le réseau neuronal RTNet présente les signatures de la prise de décision perceptive humaine », une équipe de l’École de psychologie révèle un nouveau réseau neuronal formé pour prendre des décisions similaires à celles des humains.

Décision de décodage

« Les réseaux neuronaux prennent une décision sans vous dire s’ils sont sûrs ou non de leur décision », explique Farshad Rafiei, titulaire d’un doctorat en psychologie à Georgia Tech. « C’est l’une des différences essentielles avec la façon dont les gens prennent des décisions. »

Les grands modèles linguistiques (LLM), par exemple, sont sujets aux hallucinations. Lorsqu’on pose à un LLM une question à laquelle il ne connaît pas la réponse, il invente quelque chose sans reconnaître l’artifice.

En revanche, la plupart des humains dans la même situation admettront qu’ils ne connaissent pas la réponse. La création d’un réseau neuronal plus proche de celui des humains peut empêcher cette duplicité et conduire à des réponses plus précises.

Réalisation du modèle

L’équipe a entraîné son réseau neuronal sur des chiffres manuscrits provenant d’un célèbre ensemble de données informatiques appelé MNIST et lui a demandé de déchiffrer chaque nombre. Pour déterminer la précision du modèle, ils l’ont exécuté avec l’ensemble de données d’origine, puis ont ajouté du bruit aux chiffres pour les rendre plus difficiles à discerner pour les humains.

Pour comparer les performances du modèle avec celles des humains, ils ont formé leur modèle (ainsi que trois autres modèles : CNet, BLNet et MSDNet) sur l’ensemble de données MNIST d’origine sans bruit, mais les ont testés sur la version bruyante utilisée dans les expériences et ont comparé les résultats des deux ensembles de données.

Le modèle des chercheurs s’appuie sur deux éléments clés : un réseau neuronal bayésien (BNN), qui utilise la probabilité pour prendre des décisions, et un processus d’accumulation de preuves qui conserve la trace des preuves pour chaque choix. Le BNN produit des réponses légèrement différentes à chaque fois. Au fur et à mesure qu’il rassemble davantage de preuves, le processus d’accumulation peut parfois favoriser un choix et parfois un autre. Une fois qu’il y a suffisamment de preuves pour décider, le RTNet arrête le processus d’accumulation et prend une décision.

Les chercheurs ont également chronométré la vitesse de prise de décision du modèle pour voir s’il suit un phénomène psychologique appelé « compromis vitesse-précision » qui veut que les humains soient moins précis lorsqu’ils doivent prendre des décisions rapidement.

Une fois les résultats du modèle obtenus, ils les ont comparés à ceux obtenus par les humains. Soixante étudiants de Georgia Tech ont examiné le même ensemble de données et ont partagé leur confiance dans leurs décisions. Les chercheurs ont constaté que le taux de précision, le temps de réponse et les modèles de confiance étaient similaires entre les humains et le réseau neuronal.

« D’une manière générale, nous ne disposons pas de suffisamment de données humaines dans la littérature informatique existante, nous ne savons donc pas comment les gens se comporteront lorsqu’ils seront exposés à ces images. Cette limitation entrave le développement de modèles qui reproduisent avec précision la prise de décision humaine », a déclaré Rafiei. « Ce travail fournit l’un des plus grands ensembles de données sur les humains qui réagissent au MNIST. »

Non seulement le modèle de l’équipe a surpassé tous les modèles déterministes concurrents, mais il s’est également révélé plus précis dans les scénarios à grande vitesse en raison d’un autre élément fondamental de la psychologie humaine : RTNet se comporte comme des humains. Par exemple, les gens se sentent plus confiants lorsqu’ils prennent les bonnes décisions. Sans même avoir à entraîner le modèle spécifiquement pour favoriser la confiance, le modèle l’a automatiquement appliquée, a noté Rafiei.

« Si nous essayons de rendre nos modèles plus proches du cerveau humain, cela se verra dans le comportement lui-même sans réglage précis », a-t-il déclaré.

L’équipe de recherche espère entraîner le réseau neuronal sur des ensembles de données plus variés pour tester son potentiel. Elle espère également appliquer ce modèle BNN à d’autres réseaux neuronaux pour leur permettre de rationaliser davantage comme les humains.

À terme, les algorithmes ne seront pas seulement capables d’imiter nos capacités de prise de décision, mais pourraient même contribuer à alléger une partie de la charge cognitive des 35 000 décisions que nous prenons quotidiennement.