Beräkningsintelligens

För tidskriften, se Computational Intelligence (journal) .
För en bredare täckning av detta ämne, se Artificiell intelligens .

Uttrycket computational intelligence ( CI ) hänvisar vanligtvis till en dators förmåga att lära sig en specifik uppgift från data eller experimentell observation. Även om det vanligen anses vara en synonym för soft computing , finns det fortfarande ingen allmänt accepterad definition av beräkningsintelligens.

Generellt sett är beräkningsintelligens en uppsättning naturinspirerade beräkningsmetoder och tillvägagångssätt för att ta itu med komplexa verkliga problem som matematisk eller traditionell modellering kan vara värdelös för av några anledningar: processerna kan vara för komplexa för matematiska resonemang, den kan innehålla några osäkerheter under processen, eller så kan processen helt enkelt vara stokastisk till sin natur. [ sida behövs ] Faktum är att många verkliga problem inte kan översättas till binärt språk (unika värden på 0 och 1) för datorer att bearbeta det. Computational Intelligence tillhandahåller därför lösningar på sådana problem.

Metoderna som används ligger nära människans sätt att resonera, dvs den använder inexakt och ofullständig kunskap, och den förmår producera kontrollhandlingar på ett adaptivt sätt. CI använder därför en kombination av fem huvudsakliga komplementära tekniker. Den suddiga logiken som gör det möjligt för datorn att förstå naturligt språk , [ sida behövs ] artificiella neurala nätverk som tillåter systemet att lära sig erfarenhetsdata genom att fungera som den biologiska, evolutionär datoranvändning , som är baserad på processen för naturligt urval, inlärningsteori, och probabilistiska metoder som hjälper till att hantera osäkerhetsfel.

Förutom dessa huvudprinciper inkluderar för närvarande populära tillvägagångssätt biologiskt inspirerade algoritmer som svärmintelligens och artificiella immunsystem , som kan ses som en del av evolutionär beräkning , bildbehandling, datautvinning, naturlig språkbehandling och artificiell intelligens, som tenderar att vara förväxlas med Computational Intelligence. Men även om både Computational Intelligence (CI) och Artificiell Intelligens (AI) söker liknande mål, finns det en tydlig skillnad mellan dem [ enligt vem? ] [ citat behövs ] .

Computational Intelligence är alltså ett sätt att prestera som människor [ citat behövs ] . Faktum är att egenskapen för "intelligens" vanligtvis tillskrivs [ av vem? ] till människor. På senare tid hävdar många produkter och föremål också att de är "intelligenta", ett attribut som är direkt kopplat till resonemanget och beslutsfattandet [ ytterligare förklaring behövs ] .

Historia

Källa: Begreppet Computational Intelligence användes först av IEEE Neural Networks Council 1990. Detta råd grundades på 1980-talet av en grupp forskare som var intresserade av utvecklingen av biologiska och artificiella neurala nätverk. Den 21 november 2001 blev IEEE Neural Networks Council IEEE Neural Networks Society, för att bli IEEE Computational Intelligence Society två år senare genom att inkludera nya intresseområden såsom fuzzy system och evolutionär beräkning, som de relaterade till Computational Intelligence 2011 (Dote och Ovaska).

Men den första tydliga definitionen av Computational Intelligence introducerades av Bezdek 1994: ett system kallas beräkningsintelligent om det hanterar lågnivådata som numerisk data, har en mönsterigenkänningskomponent och inte använder kunskap i AI- bemärkelse , och dessutom när det börjar uppvisa beräkningsanpassningsbart, feltolerans, hastighet som närmar sig mänsklig vändning och felfrekvenser som approximerar mänsklig prestanda.

Bezdek och Marks (1993) särskiljde tydligt CI från AI genom att hävda att den första är baserad på mjuka beräkningsmetoder , medan AI är baserad på hårda beräkningsmetoder.

Skillnaden mellan beräknings- och artificiell intelligens

Även om artificiell intelligens och beräkningsintelligens söker ett liknande långsiktigt mål: nå allmän intelligens , vilket är intelligensen hos en maskin som skulle kunna utföra vilken intellektuell uppgift som helst som en människa kan; det är en tydlig skillnad mellan dem. Enligt Bezdek (1994) är Computational Intelligence en delmängd av artificiell intelligens.

Det finns två typer av maskinintelligens: den artificiella baserad på hårda beräkningstekniker och den beräkningsbaserade baserad på mjuka beräkningsmetoder, som möjliggör anpassning till många situationer.

Hårda beräkningstekniker fungerar enligt binär logik baserad på endast två värden (booleanerna sant eller falskt, 0 eller 1) som moderna datorer är baserade på. Ett problem med denna logik är att vårt naturliga språk inte alltid enkelt kan översättas till absoluta termer av 0 och 1. Mjuka beräkningstekniker, baserade på fuzzy logik, kan vara användbara här. Mycket närmare hur den mänskliga hjärnan fungerar genom att aggregera data till partiella sanningar (Crisp/fuzzy system), är denna logik en av de viktigaste exklusiva aspekterna av CI.

Inom samma principer för fuzzy och binär logik följer krispiga och fuzzy system . Skarp logik är en del av artificiell intelligensprinciper och består av att antingen inkludera ett element i en uppsättning, eller inte, medan fuzzy system (CI) gör det möjligt för element att vara delvis i en uppsättning. Enligt denna logik kan varje element ges en grad av medlemskap (från 0 till 1) och inte enbart ett av dessa två värden.

De fem huvudprinciperna för CI och dess tillämpningar

De huvudsakliga tillämpningarna för Computational Intelligence inkluderar datavetenskap , teknik, dataanalys och biomedicin .

Rolig logik

Som förklarats tidigare består fuzzy logic , en av CI:s huvudprinciper, i mätningar och processmodellering gjorda för verkliga livets komplexa processer. Det kan möta ofullständighet, och viktigast av allt okunskap om data i en processmodell, i motsats till artificiell intelligens, som kräver exakt kunskap.

Denna teknik tenderar att tillämpas på ett brett spektrum av domäner som kontroll, bildbehandling och beslutsfattande. Men det är också välintroducerat inom området hushållsapparater med tvättmaskiner, mikrovågsugnar etc. Vi kan möta det också när vi använder en videokamera, där det hjälper till att stabilisera bilden samtidigt som den håller kameran ostadigt. Andra områden som medicinsk diagnostik, valutahandel och val av affärsstrategi är förutom denna princips antal ansökningar.

Fuzzy logic är främst användbar för ungefärliga resonemang, och har inte inlärningsförmåga, en kvalifikation som är välbehövlig som människor har. [ citat behövs ] Det gör det möjligt för dem att förbättra sig själva genom att lära sig av sina tidigare misstag.

Neurala nätverk

Det är därför CI-experter arbetar med utvecklingen av artificiella neurala nätverk baserade på de biologiska , som kan definieras av tre huvudkomponenter: cellkroppen som bearbetar informationen, axonet, som är en enhet som möjliggör signalens ledning, och synapsen, som styr signaler. Därför är artificiella neurala nätverk fyllda av distribuerade informationsbehandlingssystem, vilket möjliggör processen och lärandet från erfarenhetsdata. Att arbeta som människor är feltolerans också en av de viktigaste tillgångarna med denna princip.

När det gäller dess tillämpningar kan neurala nätverk klassificeras i fem grupper: dataanalys och klassificering, associativt minne, klustringsgenerering av mönster och kontroll. I allmänhet syftar denna metod till att analysera och klassificera medicinska data, gå vidare till ansikts- och bedrägeriupptäckt, och viktigast av allt hantera olinjäriteter i ett system för att kontrollera det. Dessutom delar neurala nätverkstekniker fördelen med att möjliggöra datakluster med luddig logik .

Evolutionär beräkning

Baserat på processen för naturligt urval som först introducerades av Charles Robert Darwin , består den evolutionära beräkningen i att utnyttja styrkan hos naturlig evolution för att ta fram nya artificiella evolutionsmetoder. [ sida behövs ] Den inkluderar också andra områden som evolutionsstrategi och evolutionära algoritmer som ses som problemlösare... Denna princips huvudsakliga tillämpningar täcker områden som optimering och multi-objektiv optimering, till vilka traditionella matematiska tekniker inte är tillräckligt längre för att gälla ett brett spektrum av problem som DNA-analys , schemaläggningsproblem...

Lärande teori

Fortfarande letar efter ett sätt att "resonera" nära människans, är inlärningsteori ett av CIs huvudsakliga tillvägagångssätt. Inom psykologi är lärande processen att sammanföra kognitiva, emotionella och miljömässiga effekter och erfarenheter för att förvärva, förbättra eller förändra kunskap, färdigheter, värderingar och världsbilder (Ormrod, 1995; Illeris, 2004). Inlärningsteorier hjälper sedan att förstå hur dessa effekter och erfarenheter bearbetas, och hjälper sedan att göra förutsägelser baserade på tidigare erfarenheter.

Probabilistiska metoder

Eftersom de är en av huvudelementen i fuzzy logik, syftar probabilistiska metoder som först introducerades av Paul Erdos och Joel Spencer (1974), att utvärdera resultaten av ett beräkningsintelligent system, mestadels definierat av slumpmässighet . Därför tar probabilistiska metoder fram möjliga lösningar på ett problem, baserat på förkunskaper.

Inverkan på universitetsutbildningen

Enligt bibliometriska studier spelar beräkningsintelligens en nyckelroll i forskning. Alla de stora akademiska förlagen accepterar manuskript där en kombination av fuzzy logic, neurala nätverk och evolutionär beräkning diskuteras. Å andra sidan är Computational Intelligence inte tillgänglig i universitetets läroplan . Antalet tekniska universitet där studenter kan gå en kurs är begränsat. Endast British Columbia, Technical University of Dortmund (inblandade i den europeiska fuzzy boomen) och Georgia Southern University erbjuder kurser från denna domän.

Anledningen till att stora universitet ignorerar ämnet är för att de inte har resurserna. De befintliga datavetenskapliga kurserna är så komplexa att det i slutet av terminen inte finns något utrymme för luddig logik . Ibland lärs det ut som ett delprojekt i befintliga introduktionskurser, men i de flesta fall föredrar universiteten kurser om klassiska AI-koncept baserade på boolesk logik, turingmaskiner och leksaksproblem som blockworld.

Sedan ett tag med höjningen av STEM-utbildningen har situationen förändrats lite. Det finns några insatser tillgängliga där multidisciplinära tillvägagångssätt föredras som gör det möjligt för studenten att förstå komplexa adaptiva system. Dessa mål diskuteras endast på teoretisk grund. Läroplanen för riktiga universitet var inte anpassad ännu.

Publikationer

Se även

Anteckningar

  •   Computational Intelligence: An Introduction av Andries Engelbrecht. Wiley & Sons. ISBN 0-470-84870-7
  •   Computational Intelligence: A Logical Approach av David Poole, Alan Mackworth, Randy Goebel. Oxford University Press. ISBN 0-19-510270-3
  •   Computational Intelligence: A Methodological Introduction av Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013, Springer, ISBN 9781447150121
Hämtad från " https://en.wikipedia.org/w/index.php?title=Computational_intelligence&oldid=1096412445 "