MIT’nin Yeni Yapay Zeka Modeli İnsan Davranışlarını Şaşırtıcı Bir Doğrulukla Tahmin Ediyor
Yeni bir teknik, bilinmeyen hedeflere doğru çalışırken optimal olmayan şekilde davranan insan veya yapay zeka ajanlarının eylemlerini tahmin etmek için kullanılabilir.
MIT ve diğer araştırmacılar, hesaplama kısıtlamalarına dayalı olarak bir insan veya yapay zeka ajanının mantıksız veya optimal olmayan davranışlarını modelleyen bir çerçeve geliştirdi. Geliştirdikleri teknik, örneğin satranç maçlarında bir ajanın gelecekteki eylemlerini tahmin etmeye yardımcı olabilir.
İnsanlarla etkili bir şekilde işbirliği yapabilen YZ sistemleri oluşturmak için, başlangıçta iyi bir insan davranışı modeline sahip olmak yardımcı olur. Ancak insanlar karar verirken optimumun altında davranma eğilimindedir.
Modellenmesi özellikle zor olan bu mantıksızlık, genellikle hesaplama kısıtlamalarından kaynaklanır. Bir insan tek bir problemin ideal çözümünü düşünmek için onlarca yıl harcayamaz.
Yeni Bir Modelleme Yaklaşımının Geliştirilmesi
MIT ve Washington Üniversitesi’ndeki araştırmacılar, ister insan ister makine olsun, bir ajanın davranışını modellemek için, ajanın problem çözme yeteneklerini engelleyebilecek bilinmeyen hesaplama kısıtlamalarını hesaba katan bir yol geliştirdi.
Pratik Uygulamalar ve Model Doğrulama
Yeni bir makalede araştırmacılar, yöntemlerinin bir kişinin navigasyon hedeflerini önceki rotalardan çıkarmak ve satranç maçlarında oyuncuların sonraki hamlelerini tahmin etmek için nasıl kullanılabileceğini gösteriyor. Geliştirdikleri teknik, bu tür karar verme süreçlerini modellemek için kullanılan bir başka popüler yöntemle eşleşiyor ya da ondan daha iyi performans gösteriyor.
Nihayetinde bu çalışma, bilim insanlarının yapay zeka sistemlerine insanların nasıl davrandığını öğretmesine yardımcı olabilir ve bu da bu sistemlerin insan işbirlikçilerine daha iyi yanıt vermesini sağlayabilir. Elektrik mühendisliği ve bilgisayar bilimleri (EECS) yüksek lisans öğrencisi ve bu teknikle ilgili bir makalenin başyazarı olan Athul Paul Jacob, bir insanın davranışını anlayabilmenin ve ardından bu davranıştan hedeflerini çıkarabilmenin bir YZ asistanını çok daha kullanışlı hale getirebileceğini söylüyor.
“Bir insanın hata yapmak üzere olduğunu biliyorsak, daha önce nasıl davrandığını gördükten sonra, YZ ajanı devreye girebilir ve bunu yapmak için daha iyi bir yol sunabilir. Ya da ajan, insan işbirlikçilerinin sahip olduğu zayıflıklara uyum sağlayabilir. İnsan davranışını modelleyebilmek, o insana gerçekten yardım edebilecek bir YZ ajanı oluşturmaya yönelik önemli bir adımdır” diyor.
Jacob makaleyi Washington Üniversitesi’nde yardımcı doçent olan Abhishek Gupta ve EECS’de doçent ve Bilgisayar Bilimleri ve Yapay Zeka Laboratuvarı (CSAIL) üyesi olan kıdemli yazar Jacob Andreas ile birlikte yazdı. Araştırma, Uluslararası Temsilleri Öğrenme Konferansı’nda sunulacak.
Davranış Modelleme
Araştırmacılar onlarca yıldır insan davranışının hesaplamalı modellerini oluşturmaktadır. Önceki yaklaşımların çoğu, modele gürültü ekleyerek optimal olmayan karar verme sürecini hesaba katmaya çalışmaktadır. Temsilcinin her zaman doğru seçeneği seçmesi yerine, model o temsilcinin zamanın yüzde 95’inde doğru seçimi yapmasını sağlayabilir.
Ancak bu yöntemler, insanların her zaman aynı şekilde optimal altı davranmadığı gerçeğini yakalamakta başarısız olabilir.
MIT’deki diğer araştırmacılar da optimal olmayan karar verme süreçleri karşısında hedefleri planlamanın ve çıkarım yapmanın daha etkili yolları üzerinde çalışmışlardır.
Jacob ve çalışma arkadaşları modellerini oluşturmak için satranç oyuncuları üzerinde daha önce yapılan çalışmalardan ilham aldılar. Oyuncuların basit hamleler yaparken harekete geçmeden önce düşünmek için daha az zaman harcadıklarını ve daha güçlü oyuncuların zorlu maçlarda daha zayıf olanlara göre planlamaya daha fazla zaman ayırma eğiliminde olduklarını fark ettiler.
Jacob, “Günün sonunda, planlamanın derinliğinin ya da bir kişinin problem hakkında ne kadar uzun süre düşündüğünün, insanların nasıl davrandığının gerçekten iyi bir göstergesi olduğunu gördük” diyor.
Bir ajanın planlama derinliğini önceki eylemlerinden çıkarabilecek ve bu bilgiyi ajanın karar verme sürecini modellemek için kullanabilecek bir çerçeve oluşturdular.
Yöntemlerindeki ilk adım, incelenen sorunu çözmek için belirli bir süre boyunca bir algoritma çalıştırmayı içeriyor. Örneğin, bir satranç maçı üzerinde çalışıyorlarsa, satranç oynama algoritmasının belirli sayıda adım boyunca çalışmasına izin verebilirler. Sonunda, araştırmacılar algoritmanın her adımda verdiği kararları görebilirler.
Geliştirdikleri model, bu kararları aynı problemi çözen bir ajanın davranışlarıyla karşılaştırıyor. Ajanın kararlarını algoritmanın kararlarıyla uyumlu hale getirecek ve ajanın planlamayı bıraktığı adımı belirleyecektir.
Bu sayede model, temsilcinin çıkarım bütçesini ya da bu sorun için ne kadar süre plan yapacağını belirleyebilir. Çıkarım bütçesini, o temsilcinin benzer bir sorunu çözerken nasıl tepki vereceğini tahmin etmek için kullanabilir.
Yorumlanabilir Bir Çözüm
Bu yöntem çok verimli olabilir çünkü araştırmacılar herhangi bir ekstra çalışma yapmadan problem çözme algoritması tarafından verilen kararların tamamına erişebilirler. Bu çerçeve, belirli bir algoritma sınıfıyla çözülebilen herhangi bir probleme de uygulanabilir.
“Benim için en çarpıcı şey, bu çıkarım bütçesinin çok yorumlanabilir olmasıydı. Daha zor problemlerin daha fazla planlama gerektirdiğini ya da güçlü bir oyuncu olmanın daha uzun süre planlama yapmak anlamına geldiğini söylüyor. Bunu yapmak için ilk yola çıktığımızda, algoritmamızın bu davranışları doğal olarak algılayabileceğini düşünmemiştik,” diyor Jacob.
Araştırmacılar yaklaşımlarını üç farklı modelleme görevinde test ettiler: önceki rotalardan navigasyon hedeflerini çıkarma, birinin sözlü ipuçlarından iletişimsel niyetini tahmin etme ve insan-insan satranç maçlarında sonraki hamleleri tahmin etme.
Yöntemleri, her deneyde popüler bir alternatifle ya eşleşti ya da daha iyi performans gösterdi. Dahası, araştırmacılar insan davranışı modellerinin oyuncu becerisi (satranç maçlarında) ve görev zorluğu ölçümleriyle iyi bir şekilde eşleştiğini gördüler.
Araştırmacılar ileride bu yaklaşımı, takviyeli öğrenme (robotikte yaygın olarak kullanılan bir deneme-yanılma yöntemi) gibi diğer alanlardaki planlama sürecini modellemek için kullanmak istiyor. Uzun vadede, daha etkili yapay zeka işbirlikçileri geliştirmeye yönelik daha büyük bir hedef doğrultusunda bu çalışmayı geliştirmeye devam etmeyi amaçlıyorlar.
Kaynak: https://scitechdaily.com
Derleyen: Figen Berber
Futbol Taktiklerini Öğrenen Yapay Zeka Antrenörlere Tavsiye Vermeye Hazır