Группа из Калифорнийского университета в Беркли и Принстона, исследовавшая эффективность методов машинного обучения для прогнозирования человеческого поведения, предложила новый подход, рождённый на стыке ИИ и когнитивной психологии.

В статье, выложенной на сервере arXiv, презентация которой должна состояться на Международной конференции по машинному обучению, учёные представили новую концепцию, предусматривающую предварительное обучение нейронных сетей на синтетических данных, подготовленных психологами с помощью существующих теоретических моделей.

Этот подход позволил также создать первый крупномасштабный массив данных, который содержит 240000 вариантов человеческих решений для 13000 проблем. Он может быть использован другими группами для тренировки их собственных моделей машинного обучения.

«Наш подход сочетает существующие научные теории поведения человека с гибкостью нейронных сетей для наилучшего прогнозирования рискованных денежных решений, принимаемых человеком», — сказал Джошуа Петерсон (Joshua Peterson), один из участников исследования.

Используя концепцию, названную ими «cognitive model priors», исследователи получили высококачественные результаты на двух эталонных массивах данных. Это показывает, что модель машинного обучения действительно может делать точные прогнозы принятия решений даже на небольших массивах данных (за счёт предварительной тренировки на синтетических данных, сгенерированных когнитивными моделями).

В фундаментальном смысле главное значение этой работы заключается в том, что она связывает между собой области психологии и машинного обучения. С практической точки зрения это позволит сэкономить исследователям много времени, которое обычно тратится на сбор данных для ИИ-моделей прогнозирования человеческого поведения.