Kleine KI-Modelle enthüllen suboptimale Entscheidungsstrategien

NEW YORK / LONDON (IT BOLTWISE) – Eine neue Studie zeigt, dass Menschen und Tiere oft suboptimale, aber systematische Entscheidungsstrategien verwenden, die von kleinen, interpretierbaren künstlichen neuronalen Netzwerken aufgedeckt wurden.

In der Welt der Entscheidungsfindung wird oft angenommen, dass Menschen und Tiere auf der Grundlage vergangener Erfahrungen optimal handeln. Doch eine neue Studie von Wissenschaftlern der New York University und der University of California, San Diego, stellt diese Annahme in Frage. Durch den Einsatz kleiner, interpretierbarer künstlicher neuronaler Netzwerke konnten die Forscher aufzeigen, dass die tatsächlichen Entscheidungsstrategien oft suboptimal sind, jedoch systematisch ablaufen.

Diese kleinen KI-Modelle, die in der Lage sind, individuelle Entscheidungen genauer vorherzusagen als traditionelle Theorien, spiegeln das reale, unvollkommene Verhalten wider. Dies könnte die Art und Weise, wie wir kognitive Strategien verstehen und psychische oder verhaltensbezogene Interventionen anpassen, grundlegend verändern. Die Erkenntnisse könnten insbesondere im Bereich der psychischen Gesundheit von Bedeutung sein, indem sie die kognitive Vielfalt kartieren.

Traditionelle Modelle der Entscheidungsfindung basieren häufig auf der Annahme, dass Entscheidungen nach dem Prinzip der optimalen Nutzenmaximierung getroffen werden. Doch diese Modelle scheitern oft daran, das reale Verhalten abzubilden. Die Forscher um Marcelo Mattar, Assistenzprofessor an der New York University, entwickelten einen alternativen Ansatz, um zu entdecken, wie individuelle Gehirne tatsächlich lernen, Entscheidungen zu treffen.

Durch den Einsatz von kleinen neuronalen Netzwerken, die einfach genug sind, um verstanden zu werden, aber leistungsstark genug, um komplexes Verhalten zu erfassen, konnten die Forscher Entscheidungsstrategien aufdecken, die von Wissenschaftlern jahrzehntelang übersehen wurden. Diese Modelle sind in der Lage, die Entscheidungen von Tieren besser vorherzusagen als klassische kognitive Modelle, die von optimalem Verhalten ausgehen.

In Laborexperimenten erwiesen sich die Vorhersagen dieser kleinen Netzwerke als ebenso gut wie die von größeren neuronalen Netzwerken, die in kommerziellen KI-Anwendungen eingesetzt werden. Ein Vorteil der kleinen Netzwerke ist, dass sie mathematische Werkzeuge ermöglichen, um die Gründe oder Mechanismen hinter den Entscheidungen eines Individuums leicht zu interpretieren.

Die Studie zeigt, dass das Modell die Entscheidungsprozesse von Menschen, nicht-menschlichen Primaten und Laborratten abbilden kann. Bemerkenswert ist, dass das Modell Entscheidungen vorhersagen konnte, die suboptimal waren, und damit die „realistische“ Natur der Entscheidungsfindung besser widerspiegelte als traditionelle Modelle, die sich auf die Erklärung optimaler Entscheidungsfindung konzentrieren.

Die Forscher betonen, dass das Verständnis individueller Unterschiede in Entscheidungsstrategien unsere Herangehensweise an psychische Gesundheit und kognitive Funktionen revolutionieren könnte. Die Forschung wurde durch verschiedene Stiftungen und Institute unterstützt, darunter die National Science Foundation und das Kavli Institute for Brain and Mind.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!