Aus dem Unerwarteten lernen

- DE - FR- IT
Alireza Modirshanechi
Alireza Modirshanechi
Im Spannungsfeld zwischen Neurowissenschaften und Computerwissenschaften hat ein Forscher der EPFL einen Algorithmus entwickelt, der die Auswirkungen von Überraschung oder Neuheit auf das Verhalten vorhersagen kann.

Ein Mistkerl, der in einem Film eine zutiefst menschliche Geste macht, ein Kandidat, der von seinem Bekanntenkreis als Verlierer eingeschätzt wird und die Präsidentschaftswahlen gewinnt, ein verlorener Freund, den man am anderen Ende der Welt trifft... Diese überraschenden oder neuen Ereignisse führen zu einer Reaktion. Man verschlingt das Werk des Regisseurs, man misst die Enge seiner sozialen Blase, man knüpft die alte Beziehung wieder an... Kurz gesagt: Die Überraschung hat ein Verhalten hervorgerufen.

Mit dieser Frage beschäftigt sich das Labor für Computational Neuroscience der EPFL, das von Wulfram Gerstner geleitet wird. Die Auswirkungen von Überraschung oder Neuheit auf das Gehirn und das Verhalten wurden in der Neurowissenschaft und der Psychologie bereits umfassend untersucht. Dennoch bleiben viele Fragen offen, wie z. B. die, was man unter Überraschung oder Neuheit versteht und wie sie sich auf die verschiedenen Gehirnfunktionen auswirken.

In seiner Doktorarbeit, für die er den Preis der Dimitris N. Chorafas Foundation erhielt, gibt Alireza Modirshanechi Antworten mithilfe von künstlicher Intelligenz. Er hat verschiedene Definitionen von Überraschung zusammengefasst und einen Algorithmus entwickelt, der das Verhalten bei Überraschung oder Neuheit vorhersagt. Prosaisch beschrieben ist der Algorithmus ein intelligenter Agent, der den Menschen nachahmt und, denselben Erfahrungen ausgesetzt, dieselben Aufgaben mit denselben Ergebnissen ausführt. "Wenn wir also den Algorithmus verstehen, können wir besser verstehen, wie das menschliche Gehirn und die Kognition funktionieren", erklärt der Forscher. Diese Arbeit ebnet den Weg für ein besseres Verständnis von Lern-, Gedächtnis- oder Entscheidungsfindungsprozessen.

Das Ziel war nicht, eine KI zu schaffen, die besser als der Mensch ist, sondern eine KI zu entwerfen, die dem Menschen treuer ist, um unser Verständnis des Gehirns zu verbessern

Alireza Modirshanechi, Preisträger der Dimitris N. Chorafas Foundation

18 mathematische Definitionen von Überraschung

Die erste Herausforderung bestand darin, einen Weg zu finden, Überraschung für einen intelligenten künstlichen Agenten zu definieren. Die Idee dahinter ist, dass wenn ein künstlicher Agent Menschen nachahmt, er sich überrascht fühlen muss, wenn Menschen sich überrascht fühlen. Unter Rückgriff auf klassische Experimente aus der Verhaltensforschung entwickelte der Computerwissenschaftler eine Taxonomie aus 18 verschiedenen mathematischen Definitionen von Überraschung und Neuheit für einen intelligenten Agenten. In klassischen Experimenten liest ein Mensch beispielsweise Sätze vor, in denen bestimmte Wörter von den Experimentatoren als erwartet oder unerwartet angesehen werden. Ein anderer Test: Die Versuchsperson hört eine sich wiederholende Tonfolge und plötzlich tritt ein abwegiger Ton auf. Oder eine Vorhersage verletzen - ich sage voraus, dass A eintreten wird, und B tritt ein -, um eine Überraschung zu erzeugen? Mithilfe mathematischer Definitionen können wir untersuchen, wie sich überraschte künstliche Agenten in solchen Situationen fühlen, was uns dann wiederum hilft zu erklären, wie Menschen auf solche überraschenden oder neuen Ereignisse reagieren.

Durch eine mathematische Analyse untersuchte Alireza Modirshanechi, der seine Forschung an der Helmholtz München fortsetzt, die Ähnlichkeiten dieser Definitionen, ihre Unterschiede und die Bedingungen, die sie ununterscheidbar machen. Anschließend schuf er einen einheitlichen Rahmen, der einen systematischen Vergleich der verschiedenen Methoden zur Quantifizierung von Überraschung und deren Einfluss auf das Gehirn erleichtert. Sein Algorithmus unterscheidet zwischen Überraschung, die als Modulator der Lerngeschwindigkeit gilt, und Neuheit, die die Erkundung auf ein Ziel hin antreibt.

Den Algorithmus an Menschen vorhersagen.

"Neuheit kann überraschend sein, sie kann aber auch erwartet werden. Zum Beispiel kann das erste Mal eine Sonnenfinsternis zu sehen neu sein, aber erwartet, weil man das Datum kennt. Wenn umgekehrt Ihre Mutter, die im Ausland lebt, plötzlich an die Tür klopft, ist das zwar nicht neu, aber es ist eine Überraschung. Wir haben das mathematisch quantifiziert", erklärt der Forscher. Und wir können so unterscheiden, dass Überraschung den Lernprozess beschleunigt, während Neuheit zur Erkundung anregt. Wir können die Signale im Gehirn auseinanderhalten".

Tatsächlich bestand der zweite Schritt darin, die Vorhersagen des Algorithmus an Menschen zu testen, um zu sehen, ob sie stimmig sind. In Zusammenarbeit mit dem von Michael Herzog geleiteten Labor für Psychophysik der EPFL analysierte Alireza Modirshanechi das Verhalten und die Daten des Elektroenzephalogramms (EEG) von menschlichen Probanden in kognitiven Experimenten. Er zeigte, dass Überraschung und Neuheit entscheidende Determinanten des menschlichen Verhaltens in volatilen Umgebungen sind, in denen es kaum Belohnungen gibt. "Wir waren in der Lage, zwischen 60 und 80% der Entscheidungen, die die Versuchspersonen während der Experimente treffen würden, vorherzusagen", argumentiert der Forscher.

Das Ziel war nicht, eine KI zu schaffen, die besser ist als der Mensch, sondern eine, die dem Menschen ähnlicher ist, um unser Verständnis des Gehirns zu verbessern", fasst Alireza Modirshanechi zusammen. Und weiter: "Jeder weiß, dass ein Apfel, wenn man ihn fallen lässt, herunterfällt. Aber Newton hat die Formel gefunden, um das zu erklären. Das ist sozusagen unser Ziel. Wir konnten den Algorithmus definieren, der vorhersagt, wann und wie stark die Person überrascht ist, und wir können erklären, durch welche Gleichung der Mensch schneller lernt, wenn er überrascht ist."

Eine Grundlage für die Forschung

Dieser Algorithmus bildet eine Grundlage für weitere Forschungen. "Zum Beispiel legt das EEG nahe, dass Menschen mit Schizophrenie eine andere Perspektive auf Überraschung haben als Menschen in den Kontrollgruppen. Aber wir wissen nicht, wie sehr sich ihre Perspektive unterscheidet. Unsere mathematische Formel gibt Aufschluss darüber, in welchem Ausmaß sie es ist. Vielleicht lernen sie langsamer, weil sie keine Überraschung empfinden? Vielleicht suchen sie weniger gut, weil sie das Neue nicht wahrnehmen? Jetzt können wir uns diese Fragen stellen und experimentelle Paradigmen aufbauen, um diese Hypothesen zu testen."

In anderen Bereichen wie der Bildung könnte diese Grundlage Wege aufzeigen, wie man Überraschungen nutzen kann, um den Lernprozess oder das Erinnerungsvermögen zu stärken.

Der andere Beitrag dieser Arbeit fällt in den Bereich der KI. "Die meisten bestehenden Algorithmen gehen von einer stabilen Umgebung aus. Unsere Welt ist jedoch ständig im Wandel begriffen. Wir müssen also diese "Überraschungs"-Signale einbeziehen, um unsere Modelle zu aktualisieren und zuverlässigere und sicherere KIs zu entwerfen. Es ist ein guter Zeitpunkt, sich mit diesen Fragen zu beschäftigen und diese Werkzeuge zu entwickeln", schließt der Postdoktorand.

Referenzen

Seeking the new, learning from the unexpected: Computational models of surprise and novelty in the brain (Das Neue suchen, aus dem Unerwarteten lernen: Computermodelle von Überraschung und Neuheit im Gehirn) , Modirshanechi, Alireza