Hva psykologi kan lære kunstig intelligens
Kilde: Cottonbro studio / Pexels
Kunstig intelligens (AI) ser ut til å dominere mange aspekter av samfunnet og vitenskapene, inkludert psykologi. Maskinlæring og dyp læring har blitt langt mer vanlig, og innen nevropsykologi og klinisk psykologi har det vært en økning i AI-metoder og -verktøy.
I mellomtiden fortsetter kognitiv psykologi og AI sitt fruktbare samarbeid for å studere menneskelige og kunstige sinn. Hva har psykologi å tilby AI? Jeg tror det kan tilby ganske mye.
AI, akkurat som datavitenskap, utmerker seg i prediksjon. En algoritme med en spesifikk parameterkonfigurasjon kan overgå en annen med en annen parameterkonfigurasjon. Det er bra når man forutsier svulster fra røntgenbilder eller gjenkjenner gjenstander for selvkjørende biler. I mange scenarier ønsker vi imidlertid ikke bare å få den beste forutsigelsen, men også den beste forklaring.
Mike Jones ved Indiana University, Bloomington, oppsummerte fint forskjellen mellom psykologi og kunstig intelligens (eller faktisk kognitiv vitenskap og datavitenskap) på følgende måte:
Innenfor kognitiv vitenskap har vi vært betydelig mer skeptiske til løftene om big data, hovedsakelig fordi vi setter så høy verdi på forklaring fremfor prediksjon. Et kjernemål for enhver kognitiv vitenskapsmann er å fullt ut forstå systemet som undersøkes, i stedet for å være fornøyd med en enkel beskrivende eller prediktiv teori.
Å forutsi et utfall er viktig, men å forklare mekanismene bak å komme til et utfall er ofte minst like viktig. Og her kommer kognitive vitenskaper inn.
Å ha en svart-boks-tilnærming som gir oss den høyeste ytelsen kan være veldig nyttig, men å lirke inn i boksen og forstå Hvorfor det kommer til visse beslutninger vil gjøre prosessen mer gjennomsiktig. Ikke bare har forklarbar AI viktige fordeler når det gjelder etiske spørsmål, men det hjelper også å forstå hva som kan mangle for å oppnå maksimal ytelse.
Men det er en annen grunn til at psykologi kan lære AI en ting eller to. For å forklare, må vi gå noen århundrer tilbake. William av Ockham, en engelsk munk født i Ockham, en liten landsby i sørøst-England, har blitt et vanlig navn blant psykologer. Ockham var en av de fremste tenkerne på 1300-tallet. Han foreslo et prinsipp kalt Occams (etter oppfinnerens navn) barberhøvel (tommelfingerregel eller prinsipp i filosofi). Occams barberhøvel sier at forklaringer som krever færre antakelser er mer sannsynlig å være korrekte, så unødvendige eller usannsynlige antakelser må unngås.
Enkelt sagt: Enkle modeller er bedre modeller.
Dagens AI opererer på store (veldig store) datasett og kraftige (veldig kraftige) komplekse (veldig komplekse) algoritmer. Ta dyplæringsmodeller som bruker en kompleks kunstig nevrale nettverk som sprer seg ut som et spindelvev av forbindelser, hver tilkobling ligner på en tråd i nettet som fører opp til en node som sprer nye tråder til andre noder. Kompleksiteten blir tydelig når du vurderer forgjengeren til den nåværende ChatGPT. I 2020 ble ChatGPT estimert til å ha 175 milliarder parametere. Det var for tre år siden.
Det er fristende å automatisk anta at store kunstige nevrale nettverk alltid gir best ytelse, i motsetning til Occams barberhøvel. De utrolige funnene fra de fleste AI-modeller, som ChatGPT, kan tyde på at Occams barberhøvel ikke gjelder. Mer komplekse modeller med større datasett gir alltid bedre resultater, ser det ut til.
Nylig jobbet Guido Linders og jeg med å utvikle et klassifiseringssystem for dialoghandlinger, et datasystem som skulle ta inn en setning og klassifisere intensjonen med den setningen. Ta for eksempel følgende eksempel:
Vi spiser middag, og jeg spør høflig: "Kan du gi meg saltet?"
Du svarer høflig (uten å gjøre noe), og sier: "Jeg har absolutt den evnen."
Dette ville frustrere middagen vår minst like mye som da jeg skulle uttale min sanne intensjon: "Gi meg saltet nå."
Et slikt klassifiseringssystem for dialoghandlinger er nyttig for verktøy som chatbots og intelligente (veilednings)systemer. De tillater kommunikasjon med brukeren på naturlig språk og – viktigst av alt – vil reagere naturlig på brukeren.
Artificial Intelligence Essential Reads
"Har nettopp hatt det" vil da ikke gi et svar som "Flott at du har det, sir," men med et "Jeg beklager å høre det." Klassifiseringssystemer for dialoghandlinger klassifiserer ytringer i anerkjennelser, meninger, gulvfangere, avklaringer, etc.
Godt over 50 av disse dialogaktklassifiseringssystemene er utviklet. Noen brukte enkle algoritmer, andre brukte maskinlæringsalgoritmer, og andre brukte dyplæringsteknikker. La oss si at noen var enkle, og andre var veldig komplekse.
Når vi sammenlignet resultatene av 50 dialoger handler klassifiseringssystemer, systemene som brukte komplekse dype læringsalgoritmer (de svært komplekse) var bedre til å klassifisere dialoghandlinger enn de enklere, men bare så vidt.
Vi fant bare svært marginale forskjeller i ytelsen til de mest sofistikerte og komplekse algoritmene og de absolutt enkleste algoritmene. William av Ockham ville ha smilt.
Da vi utførte analysene våre ved hjelp av en enkel algoritme og valgte forklaring fremfor prediksjon, fant vi at det ikke var kombinasjonen av mange språklige trekk som best forklarte dialoghandlingen klassifisering. Verken de mer komplekse språklige trekkene eller variasjonen av funksjoner klassifiserer dialoghandlingen best. I stedet forklarte den enkleste algoritmen med kun den språklige informasjonen, ordene i setningen, talerens intensjon. Klassifisering av dialoghandlinger presterte best med de enkleste språklige egenskapene og den enkleste algoritmen.
Selv om det ofte ser ut til at mer data og mer komplekse modeller gir best ytelse innen AI, hjelper psykologi å minne oss at forklaring er like viktig som prediksjon, at enkelt ofte er bedre enn komplisert, og at mindre noen ganger er mer.
Etter hvert som grensene mellom ekte og falske visker ut, jager amerikanerne i økende grad ideen om autentisitet. Det første trinnet kan være å vurdere selverkjennelse, sannhet og andre byggesteiner på veien til personlig vekst.