Выражение «вычислительный интеллект» ( CI ) обычно относится к способности компьютера изучать конкретную задачу на основе данных или экспериментальных наблюдений. Несмотря на то, что его обычно считают синонимом мягких вычислений , до сих пор не существует общепринятого определения вычислительного интеллекта.
Как правило, вычислительный интеллект представляет собой набор вдохновленных природой вычислительных методологий и подходов для решения сложных проблем реального мира, для решения которых математическое или традиционное моделирование может оказаться бесполезным по нескольким причинам: процессы могут быть слишком сложными для математических рассуждений, они могут содержать некоторые неопределенности во время процесса, или процесс может просто носить стохастический характер. [1] [ нужна страница ] Действительно, многие реальные проблемы не могут быть переведены на двоичный язык (уникальные значения 0 и 1), чтобы компьютеры могли их обработать. Таким образом, вычислительный интеллект предлагает решения таких проблем.
Используемые методы близки человеческому способу рассуждения, т.е. он использует неточные и неполные знания и способен производить управляющие воздействия адаптивным способом. Таким образом, CI использует комбинацию пяти основных взаимодополняющих методов. [1] Нечеткая логика , которая позволяет компьютеру понимать естественный язык , [2] [ нужна страница ] [3] искусственные нейронные сети , которые позволяют системе изучать экспериментальные данные, действуя как биологические, эволюционные вычисления , основанные на процесс естественного отбора, теория обучения и вероятностные методы, которые помогают справиться с неопределенностью и неточностью. [1]
Помимо этих основных принципов, популярные в настоящее время подходы включают биологически вдохновленные алгоритмы, такие как роевой интеллект [4] и искусственные иммунные системы , которые можно рассматривать как часть эволюционных вычислений , обработки изображений, интеллектуального анализа данных, обработки естественного языка и искусственного интеллекта, которые часто путают с вычислительным интеллектом. Но хотя и вычислительный интеллект (CI), и искусственный интеллект (ИИ) преследуют схожие цели, между ними существует четкое различие [ по мнению кого? ] [ нужна цитата ] .
Таким образом , вычислительный интеллект – это способ действовать как люди . Действительно, характеристику «интеллект» обычно приписывают [ кем? ] людям. В последнее время многие продукты и предметы также претендуют на звание «интеллектуальных», и этот атрибут напрямую связан с рассуждениями и принятием решений [ требуется дальнейшее объяснение ] .
Источник: [5] Понятие вычислительного интеллекта было впервые использовано Советом по нейронным сетям IEEE в 1990 году. Этот совет был основан в 1980-х годах группой исследователей, заинтересованных в разработке биологических и искусственных нейронных сетей. 21 ноября 2001 года Совет нейронных сетей IEEE стал Обществом нейронных сетей IEEE, а два года спустя стал Обществом вычислительной разведки IEEE , включив новые области интересов, такие как нечеткие системы и эволюционные вычисления, которые они связали с вычислительным интеллектом в 2011 году. (Доте и Оваска).
Но первое четкое определение вычислительного интеллекта было введено Бездеком в 1994 году: [1] система называется вычислительно интеллектуальной, если она имеет дело с данными низкого уровня, такими как числовые данные, имеет компонент распознавания образов и не использует знания в Чувство искусственного интеллекта, а также когда он начинает проявлять вычислительную адаптивность, отказоустойчивость, скорость, приближающуюся к человеческой, и частоту ошибок, приближающуюся к человеческим возможностям.
Бездек и Маркс (1993) четко разграничили CI и ИИ, утверждая, что первый основан на методах мягких вычислений , тогда как ИИ основан на методах жестких вычислений.
Хотя искусственный интеллект и вычислительный интеллект преследуют схожую долгосрочную цель: достичь общего интеллекта , то есть интеллекта машины, способной выполнять любую интеллектуальную задачу, которую может выполнить человек; между ними есть явная разница. Согласно Бездеку (1994), вычислительный интеллект является разновидностью искусственного интеллекта.
Существует два типа машинного интеллекта: искусственный, основанный на методах жестких вычислений, и вычислительный, основанный на методах мягких вычислений, которые позволяют адаптироваться ко многим ситуациям.
Методы жестких вычислений работают в соответствии с двоичной логикой, основанной только на двух значениях (логические значения «истина» или «ложь», 0 или 1), на которых основаны современные компьютеры. Одна из проблем с этой логикой заключается в том, что наш естественный язык не всегда можно легко перевести в абсолютные числа 0 и 1. Здесь могут быть полезны методы мягких вычислений, основанные на нечеткой логике. [6] Эта логика гораздо ближе к тому, как работает человеческий мозг, агрегируя данные до частичных истин (четкие/нечеткие системы), и является одним из основных исключительных аспектов CI.
В рамках одних и тех же принципов нечеткой и бинарной логики следуют хрустящие и нечеткие системы . [7] Четкая логика является частью принципов искусственного интеллекта и заключается либо в включении элемента в набор, либо в его отсутствие, тогда как нечеткие системы (CI) позволяют элементам частично находиться в наборе. Следуя этой логике, каждому элементу может быть присвоена степень принадлежности (от 0 до 1), а не только одно из этих двух значений. [8]
Основные области применения вычислительного интеллекта включают информатику , инженерию, анализ данных и биомедицину .
Как объяснялось ранее, нечеткая логика , один из основных принципов CI, заключается в измерениях и моделировании процессов, предназначенных для сложных процессов реальной жизни. [3] Он может столкнуться с неполнотой, а главное, незнанием данных в модели процесса, в отличие от искусственного интеллекта, который требует точных знаний.
Этот метод имеет тенденцию применяться к широкому спектру областей, таких как управление, обработка изображений и принятие решений. Но он также хорошо применяется в сфере бытовой техники: стиральных машин, микроволновых печей и т. д. Мы можем столкнуться с этим и при использовании видеокамеры, где он помогает стабилизировать изображение при неустойчивом удержании камеры. Другие области, такие как медицинская диагностика, торговля иностранной валютой и выбор бизнес-стратегии, не входят в число приложений этого принципа. [1]
Нечеткая логика в основном полезна для приблизительных рассуждений и не обладает способностями к обучению [1] — квалификацией, столь необходимой людям. [ нужна цитата ] Это позволяет им совершенствоваться, учась на своих предыдущих ошибках.
Вот почему эксперты CI работают над разработкой искусственных нейронных сетей на основе биологических , которые можно определить по 3 основным компонентам: тело клетки, обрабатывающее информацию, аксон, который представляет собой устройство, позволяющее проводить сигнал, и синапс, который управляет сигналами. Таким образом, искусственные нейронные сети обожают системы распределенной обработки информации, [9] позволяющие осуществлять процесс и обучение на основе экспериментальных данных. Работая по-человечески, отказоустойчивость также является одним из основных преимуществ этого принципа. [1]
Что касается приложений, нейронные сети можно разделить на пять групп: анализ и классификация данных, ассоциативная память, кластеризация, генерация шаблонов и управление. [1] Как правило, этот метод направлен на анализ и классификацию медицинских данных, обнаружение лиц и мошенничества и, что наиболее важно, на устранение нелинейностей системы с целью ее контроля. [10] Кроме того, методы нейронных сетей разделяют с методами нечеткой логики преимущество, заключающееся в возможности кластеризации данных .
Эволюционные вычисления можно рассматривать как семейство методов и алгоритмов глобальной оптимизации , которые обычно основаны на совокупности возможных решений. Они вдохновлены биологической эволюцией и часто обобщаются как эволюционные алгоритмы . [11] К ним относятся генетические алгоритмы , стратегии эволюции , генетическое программирование и многие другие. [12] Они рассматриваются как средства решения задач, не решаемых традиционными математическими методами [13] , и часто используются для оптимизации , включая многокритериальную оптимизацию . [14]
Теория обучения, все еще ищущая способ «рассуждения», близкий к человеческому, является одним из основных подходов CI. В психологии обучение — это процесс объединения когнитивных, эмоциональных и экологических эффектов и опыта для приобретения, расширения или изменения знаний, навыков, ценностей и мировоззрений (Ормрод, 1995; Иллерис, 2004). [1] Теории обучения затем помогают понять, как обрабатываются эти эффекты и опыт, а затем помогают делать прогнозы на основе предыдущего опыта. [15]
Будучи одним из основных элементов нечеткой логики, вероятностные методы, впервые представленные Полом Эрдосом и Джоэлом Спенсером [1] (1974), направлены на оценку результатов вычислительной интеллектуальной системы, в основном определяемой случайностью . [16] Таким образом, вероятностные методы выявляют возможные решения проблемы на основе предварительных знаний.
Согласно библиометрическим исследованиям, вычислительный интеллект играет ключевую роль в исследованиях. [17] Все крупные академические издательства принимают рукописи, в которых обсуждается сочетание нечеткой логики, нейронных сетей и эволюционных вычислений. С другой стороны, вычислительный интеллект недоступен в университетской программе . [18] Количество технических университетов , в которых студенты могут посещать курсы, ограничено. Только Британская Колумбия, Технический университет Дортмунда (участвующий в европейском нечетком буме) и Южный университет Джорджии предлагают курсы в этой области.
Причина, по которой крупные университеты игнорируют эту тему, заключается в том, что у них нет ресурсов. Существующие курсы информатики настолько сложны, что в конце семестра не остается места нечеткой логике . [19] Иногда это преподается в качестве подпроекта в существующих вводных курсах, но в большинстве случаев университеты предпочитают курсы, посвященные классическим концепциям ИИ, основанным на булевой логике, машинам Тьюринга и игрушечным задачам, таким как мир блоков.
С тех пор, как поднялось STEM-образование , ситуация немного изменилась. [20] Существуют некоторые попытки, в которых предпочтение отдается междисциплинарным подходам, которые позволяют студенту понимать сложные адаптивные системы. [21] Эти цели обсуждаются только на теоретической основе. Учебная программа реальных университетов еще не адаптирована.
{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )