یک مطالعه جدید توسط محققان MIT و دانشگاه واشنگتن یک مدل هوش مصنوعی را نشان می دهد که می تواند به طور دقیق اقدامات آینده یک فرد (رفتار انسان) یا یک ماشین را پیش بینی کند.
هوش مصنوعی به عنوان مدل بودجه استنتاج پنهان (L-IBM) شناخته می شود. نویسندگان مطالعه ادعا میکنند که L-IBM بهتر از سایر چارچوب های پیشنهادی قبلی است که قادر به مدلسازی تصمیم گیری انسانی هستند.
این با بررسی رفتار، اعمال و محدودیت های گذشته مرتبط با فرآیند تفکر یک عامل (که می تواند یک انسان یا هوش مصنوعی دیگر باشد) کار می کند. داده یا نتیجه ای که پس از ارزیابی به دست می آید، بودجه استنتاج نامیده می شود.
آنها از L-IBM برای پیش بینی حرکات بازیکنان انسان در یک بازی شطرنج استفاده کردند. نویسندگان مطالعه خاطرنشان میکنند: “نتایج ما نشان میدهد که تصمیم گیری انسانی غیربهینه را میتوان به طور مؤثر با نسخه های محاسباتی محدود الگوریتم های جستجوی استاندارد مدلسازی کرد.”
آنها افزودند: “با انجام این کار، هم مدلهای دقیق تصمیم گیری انسان ها و هم معیارهای اطلاعاتی ظرفیت استنتاجی آنها را به دست میآوریم.”
مدل هوش مصنوعی چگونه رفتار انسان را پیش بینی می کند؟
محققان گفتند: برای مدلسازی فرآیند تصمیمگیری یک عامل، L-IBM ابتدا رفتار یک فرد و متغیرهای مختلفی را که بر آن تأثیر میگذارند، تجزیه و تحلیل میکند. به عبارت دیگر، ما به دنبال مدلسازی این هستیم که چه عواملی میخواهند انجام دهند و هم آنهایی که در واقع در هر حالتی انجام خواهند داد.
این مرحله شامل مشاهده عواملی بود که در یک ماز در موقعیتهای تصادفی قرار گرفتند. سپس مدل L-IBM برای درک محدودیت های فکری/محاسباتی و پیش بینی رفتار آنها به کار گرفته شد. این تجزیه و تحلیل اهداف یک عامل و توانایی آن در جهت یابی و تصمیم گیری پیچیده را آشکار کرد.
در مرحله بعد، مدل زبان و نشانه های مرتبط با ارتباط را بررسی کرد. محققان خاطرنشان میکنند: «انسانها به راحتی زبان را تولید و درک میکنند، به گونهای که از معنای تحت اللفظی آن منحرف میشود».
محققان آزمودنی ها را به انجام یک بازی مرجع وادار کردند. بازی شامل یک گوینده و یک شنونده است. دومی مجموعه ای از رنگ های مختلف را دریافت می کند، آنها یکی را انتخاب می کنند اما نمی توانند نام رنگی را که انتخاب کرده اند مستقیماً به شنونده بگویند.
گوینده رنگ را برای گویندگان از طریق عبارات زبان طبیعی توصیف می کند (اصولاً گوینده کلمات مختلف را به عنوان اشاره می دهد). اگر شنونده همان رنگی را که بلندگو از مجموعه انتخاب کرده انتخاب کند، هر دو برنده می شوند.
نویسندگان مطالعه توضیح میدهند: “با تطبیق یک L-IBM برای گفته ها و انتخاب ها در بازی های مرجع انسانی، بررسی می کنیم که آیا می توانیم استنباط کنیم که آیا انسان ها صرفاً از روی رفتار درگیر استدلال عمل گرایانه هستند یا خیر، آیا تفاوت هایی بین بازیکنان در توانایی آنها برای استدلال در مورد مخاطبانشان وجود دارد یا خیر. این تفاوتها در واقع موفقیت ارتباطی را پیش بینی میکنند. “
مرحله آخر: مدل سازی بازی شطرنج انسان
این مدل بر زمانی تمرکز داشت که بازیکنان مختلف انسان برای انجام حرکات خود در طول بازی شطرنج صرف می کردند. آنها همچنین متوجه تفاوت زمانی شدند که شطرنجبازان ضعیف تر و قویتر برای فکر کردن به حرکات خود صرف میکنند.
آثول پل ژاکوب، یکی از نویسندگان این مطالعه گفت: “در پایان روز، دیدیم که عمق برنامه ریزی، یا مدت زمانی که کسی به مشکل فکر میکند، نشان دهنده واقعاً خوبی از نحوه رفتار انسان ها است. هدف این بود که بفهمیم آیا آنها میتوانند این داده ها را به L-IBM و تنوع مدل در تصمیم گیری های بازیکنان در سراسر ایالات بازی تغذیه کنند.”
بودجه استنتاج (نتیجه) به طور دقیق تفاوت بین شطرنج بازان ضعیف تر و قوی تر را برجسته می کند.
ژاکوب گفت: “برای من، قابل توجه ترین چیز این واقعیت بود که این بودجه استنباط بسیار قابل تفسیر است. میگویند مشکلات سختتر نیاز به برنامه ریزی بیشتری دارند یا اینکه یک بازیکن قوی بودن به معنای برنامه ریزی طولانی تر است. زمانی که برای اولین بار این کار را انجام دادیم، فکر نمی کردیم که الگوریتم ما بتواند آن رفتارها را به طور طبیعی تشخیص دهد.”
اگر مدل هوش مصنوعی بداند کدام بازیکن بهتر است، احتمالاً پیشبینی دقیقی دارد که کدام بازیکن برنده بازی است.
این مدل هوش مصنوعی می تواند به ما در تصمیم گیری بهتر کمک کند
این سه مرحله نشان میدهد که چارچوب L-IBM پتانسیل مدلسازی تقریباً تمام جنبه های تصمیم گیری انسانی از جمله روال ها، رفتار، ارتباطات و استراتژی را دارد.
محققان خاطرنشان کردند: “ما نشان دادیم که میتواند از مدلهای کلاسیک عقلانیت محدود عملکرد بهتری داشته باشد، در حالی که معیارهای معنی داری از مهارت های انسانی و دشواری کار را در نظر میگیرد.”
چیزی که L-IBM را از مدل های قبلی متمایز میکند این است که به جای داده های تصادفی، رفتار گذشته و محدودیت های یک عامل را برای تولید نتایج در نظر میگیرد.
ژاکوب در انتها گفت: “اگر ما بدانیم که یک انسان در شرف مرتکب اشتباه است، با مشاهده رفتار آنها قبلاً، عامل هوش مصنوعی میتواند وارد عمل شود و راه بهتری برای انجام آن ارائه دهد. یا عامل می تواند با نقاط ضعفی که همکاران انسانی اش دارند سازگار شود. توانایی مدلسازی رفتار انسان گام مهمی در جهت ساختن یک عامل هوش مصنوعی است که در واقع میتواند به آن انسان کمک کند.”
مطالعه حاضر همچنین به دانشمندان اجازه می دهد تا جزئیات رفتار انسان را به طور موثرتری به برنامه های هوش مصنوعی آموزش دهند. با این حال، L-IBM یک چارچوب کامل نیست.
جیکوب و تیمش اکنون قصد دارند تحقیقات بیشتری را برای دستیابی به مدل های بهتر انجام دهند.
دیدگاهتان را بنویسید