Ερευνητές του ΜΙΤ και του Πανεπιστημίου της Ουάσιγκτον στις ΗΠΑ ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να προβλέψει με ακρίβεια τις μελλοντικές ενέργειες ενός ανθρώπου ή μιας μηχανής. Οι συγγραφείς της μελέτης υποστηρίζουν ότι το L-IBM (latent inference budget model), όπως ονόμασαν το σύστημά τους, υπερτερεί έναντι άλλων παρόμοιων συστημάτων.
Το μοντέλο λειτουργεί εξετάζοντας προηγούμενες συμπεριφορές, ενέργειες και περιορισμούς που συνδέονται με τη διαδικασία λήψης αποφάσεων ενός «πράκτορα» (ο οποίος θα μπορούσε να είναι είτε ένας άνθρωπος είτε ένα άλλο σύστημα τεχνητής νοημοσύνης). Οι ερευνητές χρησιμοποίησαν το L-IBM για να προβλέψουν τις κινήσεις των παικτών σε μια παρτίδα σκακιού.
«Τα ευρήματά μας δείχνουν ότι η υποβέλτιστη ανθρώπινη λήψη αποφάσεων μπορεί να μοντελοποιηθεί αποτελεσματικά με υπολογιστικά περιορισμένες εκδόσεις των τυπικών αλγορίθμων αναζήτησης», σημείωσαν οι συγγραφείς της μελέτης.
«Έτσι, λαμβάνουμε ακριβή μοντέλα της διαδικασίας λήψης αποφάσεων αλλά και κατατοπιστικά στοιχεία σχετικά με την ικανότητα εξαγωγής συμπερασμάτων», πρόσθεσαν.
Πώς προβλέπει την ανθρώπινη συμπεριφορά το μοντέλο;
Για να μοντελοποιήσει τη διαδικασία λήψης αποφάσεων ενός πράκτορα, το L-IBM αναλύει πρώτα τη συμπεριφορά του και τις διάφορες μεταβλητές που την επηρεάζουν.
«Με άλλα λόγια, επιδιώκουμε να μοντελοποιήσουμε τόσο το τι επιθυμούν να κάνουν οι πράκτορες όσο και το τι θα κάνουν στην πραγματικότητα σε κάθε δεδομένη περίπτωση», εξήγησαν οι ερευνητές.
Αυτό το βήμα περιλάμβανε την παρατήρηση πρακτόρων που είχαν τοποθετηθεί σε τυχαίες θέσεις σε έναν λαβύρινθο. Στη συνέχεια, το μοντέλο έπρεπε να εντοπίσει τους περιορισμούς της σκέψης/υπολογισμού των πρακτόρων και να προβλέψει τη συμπεριφορά τους. Η ανάλυση αυτή αποκάλυψε τους στόχους ενός πράκτορα, καθώς και την ικανότητά του να πλοηγείται και να λαμβάνει σύνθετες αποφάσεις.
Στο επόμενο βήμα, το μοντέλο εξέτασε τη γλώσσα και τις ενδείξεις που σχετίζονται με την επικοινωνία.
«Οι άνθρωποι παράγουν και κατανοούν εύκολα τη γλώσσα με τρόπους που αποκλίνουν από την κυριολεκτική σημασία της», εξήγησαν οι ερευνητές.
Η ομάδα έβαλε τα υποκείμενα να παίξουν ένα παιχνίδι αναφοράς, στο οποίο συμμετέχει ένας ομιλητής και ένας ακροατής. Ο δεύτερος πρέπει να επιλέξει ένα χρώμα από μια παλέτα χρωμάτων, χωρίς όμως να το αποκαλύψει στον ακροατή. Στη συνέχεια, ο ομιλητής περιγράφει το χρώμα δίνοντας στον ακροατή λέξεις-κλειδιά. Εάν ο ακροατής επιλέξει το ίδιο χρώμα που επέλεξε ο ομιλητής από το σύνολο, τότε κερδίζουν και οι δύο.
Μοντελοποίηση του σκακιστικού παιχνιδιού
Το μοντέλο επικεντρώθηκε στο χρόνο που χρειάστηκαν διάφοροι παίκτες για να κάνουν τις κινήσεις τους κατά τη διάρκεια μιας παρτίδας σκακιού. Οι ερευνητές παρατήρησαν επίσης τη διαφορά στο χρόνο που αφιέρωναν οι πιο αδύναμοι και οι πιο δυνατοί σκακιστές για να σκεφτούν τις κινήσεις τους. Στόχος ήταν να διαπιστώσουν αν θα μπορούσαν να τροφοδοτήσουν αυτά τα δεδομένα στο L-IBM και να μοντελοποιήσουν τη μεταβλητότητα των αποφάσεων των παικτών σε διάφορες φάσεις του παιχνιδιού.
Το σύστημα ανέδειξε με ακρίβεια τη διαφορά μεταξύ των αδύναμων και των ισχυρότερων σκακιστών.
«Για μένα, το πιο εντυπωσιακό πράγμα ήταν το γεγονός ότι αυτό το αποτέλεσμα είναι εξαιρετικά ερμηνεύσιμο. Δείχνει ότι τα πιο δύσκολα προβλήματα απαιτούν περισσότερο σχεδιασμό και ότι οι δυνατοί παίκτες παίρνουν περισσότερο χρόνο για να σκεφτούν τις κινήσεις τους. Όταν ξεκινήσαμε να το κάνουμε αυτό, δεν πιστεύαμε ότι ο αλγόριθμός μας θα ήταν σε θέση να αντιληφθεί αυτές τις συμπεριφορές με φυσικό τρόπο», δήλωσε ο ο Αθούλ Τζέικομπ, ένας από τους συγγραφείς της μελέτης..
Αν το μοντέλο τεχνητής νοημοσύνης γνωρίζει ποιος παίκτης είναι καλύτερος, είναι πιθανό να προβλέψει με ακρίβεια ποιος θα κερδίσει το παιχνίδι.
Τα τρία βήματα δείχνουν ότι το L-IBM έχει τη δυνατότητα να μοντελοποιήσει σχεδόν όλες τις πτυχές της διαδικασίας λήψης αποφάσεων, συμπεριλαμβανομένων των καθημερινών συνηθειών, της συμπεριφοράς, της επικοινωνίας και της στρατηγικής. Αυτό που διαφοροποιεί το L-IBM από προηγούμενα μοντέλα, είναι ότι αντί για τυχαία δεδομένα, λαμβάνει υπόψη την προηγούμενη συμπεριφορά και τους περιορισμούς ενός πράκτορα προκειμένου να παράγει αποτελέσματα.
«Το να μπορούμε να μοντελοποιήσουμε την ανθρώπινη συμπεριφορά είναι ένα σημαντικό βήμα προς τη δημιουργία ενός πράκτορα τεχνητής νοημοσύνης που θα μπορεί πραγματικά να βοηθήσει τον άνθρωπο», δήλωσε ο Τζέικομπ.
Η ερευνητική ομάδα σχεδιάζει τώρα να βελτιστοποιήσει το μοντέλο της.
ΠΗΓΗ: Interesting Engineering
