Psicologia nell’intelligenza artificiale: l’euristica può migliorare ChatGPT?
ChatGPT può emulare abbastanza bene la memoria conversazionale, ma la psicologia potrebbe contenere la risposta per renderla ancora più efficiente.
La psicologia è stata una delle discipline ispiratrici per la creazione dell’IA sin da quando i ricercatori si sono resi conto che potevano far “pensare” i computer. Da allora, i ricercatori di intelligenza artificiale hanno “preso in prestito” concetti dalle scuole di pensiero psicologiche, come si è visto con l’innegabile ascesa dell’apprendimento per rinforzo. Insieme al condizionamento, il campo dell’apprendimento automatico prende in prestito anche un’altra importante idea dalla psicologia; euristica .
Sebbene le soluzioni euristiche non siano accurate al 100%, forniscono soluzioni rapide con un ragionevole grado di precisione. Possono anche essere utilizzati per ridurre il sovraccarico di dati creando strutture di mappe di dati a cui è quindi possibile accedere utilizzando regole euristiche. Questo concetto potrebbe essere la chiave per consentire bassi costi di calcolo per gli agenti AI e potrebbe persino adattarsi alle dimensioni di LLM come GPT 3.5. Approfondiamo se l’euristica può effettivamente migliorare gli agenti di intelligenza artificiale.
Spiegazione dell’euristica
L’euristica in informatica viene utilizzata per fare riferimento a un’ampia gamma di ottimizzazioni del software che risolvono i problemi più rapidamente della soluzione ottimale. Sebbene forniscano una soluzione più rapida, i metodi euristici di solito sacrificano l’accuratezza, la precisione o la completezza in cambio della velocità. Per questo motivo, le euristiche sono spesso efficaci ma non è garantito che funzionino in ogni situazione.
Gli algoritmi di intelligenza artificiale utilizzano da tempo l’euristica in varie forme sin da quando è stato introdotto questo concetto. Una delle prime applicazioni dell’euristica è stata negli algoritmi di ricerca, che hanno visto l’utilizzo di tecniche come il miglior metodo euristico di prima ricerca. Gli algoritmi di ricerca selezionano un nodo che soddisfa un determinato insieme di criteri da un albero ramificato di opzioni. L’approccio euristico a questo ottimizza la distanza ed espande i nodi del grafico aumentando la distanza dal nodo iniziale. Lo fa fino a quando non viene raggiunto il nodo obiettivo, risultando in una soluzione rapida la maggior parte delle volte.
Altre ben note ottimizzazioni euristiche includono l’euristica del vicino più vicino che viene utilizzata per risolvere il “problema del venditore ambulante”. Nel problema del commesso viaggiatore, è necessario un algoritmo per trovare il percorso più breve tra un numero enorme di città. L’euristica del vicino più vicino risolve il problema scegliendo una città non ancora visitata come destinazione successiva. Sebbene ciò non fornisca la soluzione ottimale, garantisce che il problema venga risolto utilizzando un numero ragionevole di risorse.
Come possiamo vedere, l’euristica è già una parte ben radicata della programmazione AI. Tuttavia, il modo in cui il cervello umano si avvicina all’euristica è fondamentalmente diverso; un approccio che può rivoluzionare le grandi reti neurali.
Euristica del futuro
In psicologia, il termine euristica è usato per riferirsi alle scorciatoie mentali che gli esseri umani prendono nella cognizione. Queste euristiche sono strategie che sono state sviluppate nel corso di anni di evoluzione e consentono agli esseri umani di prendere rapidamente decisioni e trovare soluzioni rapide a problemi più complessi. Questo concetto è stato poi adottato nell’informatica come un modo per consentire ai programmi di eseguire rapidamente attività in un ambiente con risorse limitate.
Nella psicologia umana esistono diversi tipi di euristica, ma ce ne sono alcuni che troveranno successo se applicati agli algoritmi di intelligenza artificiale. Il primo di questi è l'”euristica della rappresentatività”, che può essere applicata ai compiti di formazione. L’euristica della rappresentatività consente agli esseri umani di prendere una decisione confrontando una situazione con il prototipo mentale rappresentativo più vicino.
L’implementazione di questa euristica in una rete neurale potrebbe aiutare a prevenire i bias dell’IA. Creando uno “stato rappresentativo” del modello che rappresenti lo stato ideale dell’algoritmo, può essere utilizzato come riferimento per l’agente. L’agente può quindi essere codificato per fare riferimento allo stato rappresentativo quando presenta un punteggio di confidenza basso per alcuni dei suoi risultati, riducendo la quantità di distorsione che si insinua nelle decisioni prese dalle reti neurali.
Il secondo tipo è l'”euristica della disponibilità”, che riduce il tempo necessario per prendere una decisione raccogliendo le informazioni più facilmente disponibili. Questa è l’euristica che troverà il maggior utilizzo nell’intelligenza artificiale se applicata, specialmente negli LLM incentrati sui chatbot come ChatGPT .
Implementando l’euristica della disponibilità in ChatGPT , la memoria delle conversazioni può essere preservata tra le chat con un utilizzo minimo delle risorse. Creando una mappa delle informazioni, gli agenti AI possono archiviare l’intera cronologia delle conversazioni di una chat senza doverla eseguire ogni volta attraverso l’algoritmo. È quindi possibile accedere a queste informazioni mediante un’interpretazione dell’euristica della disponibilità, che può essere utilizzata per trovare la parola chiave più pertinente nella mappa in base alla sua disponibilità.
Tuttavia, l’euristica spesso causa pregiudizi nel processo di pensiero umano. Oltre a questo, l’euristica in informatica fornisce anche soluzioni imprecise a causa del sacrificio della completezza o della precisione per la velocità. Anche la maggior parte delle euristiche informatiche non si basa sul metodo scientifico e sono semplicemente implementazioni di regole empiriche che consentono di risparmiare risorse nella maggior parte dei casi d’uso. Come per ogni altro concetto, l’euristica deve essere utilizzata con moderazione nei moderni agenti di intelligenza artificiale, ma un’implementazione efficace può ridurre notevolmente i requisiti di elaborazione.
