Inteligencji obliczeniowej - Computational intelligence

Wyrażenie inteligencja obliczeniowa ( CI ) zwykle odnosi się do zdolności worka na śmieci do uczenia się określonego zadania na podstawie danych lub obserwacji eksperymentalnych. Mimo że jest powszechnie uważany za synonim soft computing , wciąż nie ma powszechnie akceptowanej definicji inteligencji obliczeniowej.

Ogólnie rzecz biorąc, inteligencja obliczeniowa to zestaw inspirowanych naturą metodologii obliczeniowych i podejść do rozwiązywania złożonych problemów świata rzeczywistego, w przypadku których modelowanie matematyczne lub tradycyjne może być bezużyteczne z kilku powodów: procesy mogą być zbyt złożone do rozumowania matematycznego, mogą zawierać pewne niepewności podczas procesu lub proces może mieć po prostu charakter stochastyczny. Rzeczywiście, wielu rzeczywistych problemów nie można przetłumaczyć na język binarny (unikalne wartości 0 i 1), aby komputery mogły je przetworzyć. Inteligencja obliczeniowa zapewnia zatem rozwiązania takich problemów.

Stosowane metody są zbliżone do ludzkiego sposobu rozumowania, tj. wykorzystuje niedokładną i niepełną wiedzę oraz jest w stanie wytworzyć działania kontrolne w sposób adaptacyjny. Dlatego CI wykorzystuje kombinację pięciu głównych technik uzupełniających. Logika rozmyta , który umożliwia komputerowi rozumieć język naturalny , sztuczne sieci neuronowe , która pozwala systemowi nauczyć empiryczne dane, działających jak jeden biologiczny, ewolucyjnego informatyki , która opiera się na procesie doboru naturalnego, nauka teorii i metody probabilistyczne, które pomaga radzić sobie z niepewnością niedokładności.

Oprócz tych głównych zasad, obecnie popularne podejścia obejmują algorytmy inspirowane biologicznie, takie jak inteligencja roju i sztuczna inteligencja , które można postrzegać jako część obliczeń ewolucyjnych , przetwarzania obrazów, eksploracji danych, przetwarzania języka naturalnego i sztucznej inteligencji, mylić z inteligencją obliczeniową. Ale chociaż zarówno inteligencja obliczeniowa (CI), jak i sztuczna inteligencja (AI) dążą do podobnych celów, istnieje między nimi wyraźne rozróżnienie.

Inteligencja obliczeniowa jest zatem sposobem działania na podobieństwo ludzi. Rzeczywiście, cechę „inteligencji” zazwyczaj przypisuje się ludziom. Ostatnio wiele produktów i przedmiotów również twierdzi, że są „inteligentne”, co jest atrybutem bezpośrednio związanym z rozumowaniem i podejmowaniem decyzji.

Historia

Źródło: Pojęcie inteligencji obliczeniowej zostało po raz pierwszy użyte przez Radę Sieci Neuronowych IEEE w 1990 roku. Rada ta została założona w latach 80. przez grupę badaczy zainteresowanych rozwojem biologicznych i sztucznych sieci neuronowych. 21 listopada 2001 r. IEEE Neural Networks Council przekształciła się w IEEE Neural Networks Society, a dwa lata później w IEEE Computational Intelligence Society, włączając nowe obszary zainteresowań, takie jak systemy rozmyte i obliczenia ewolucyjne, które w 2011 r. powiązali z inteligencją obliczeniową (Dote i Ovaska).

Ale pierwsza jasna definicja inteligencji obliczeniowej została wprowadzona przez Bezdka w 1994 roku: system nazywa się inteligentnym obliczeniowo, jeśli zajmuje się danymi niskiego poziomu, takimi jak dane liczbowe, ma komponent rozpoznawania wzorców i nie wykorzystuje wiedzy w sensie AI, a dodatkowo, gdy zaczyna wykazywać adaptacyjność obliczeniową, odporność na błędy, szybkość zbliżoną do ludzkiego zwrotu i wskaźniki błędów, które są zbliżone do ludzkiej wydajności.

Bezdek i Marks (1993) wyraźnie odróżniali CI od AI, argumentując, że pierwsza z nich opiera się na miękkich metodach obliczeniowych , podczas gdy AI opiera się na twardych metodach obliczeniowych.

Różnica między obliczeniową a sztuczną inteligencją

Chociaż sztuczna inteligencja i inteligencja obliczeniowa dążą do podobnego celu długoterminowego: osiągnięcia ogólnej inteligencji , czyli inteligencji maszyny, która może wykonać każde zadanie intelektualne, jakie może wykonać człowiek; jest między nimi wyraźna różnica. Według Bezdka (1994) inteligencja obliczeniowa jest podzbiorem sztucznej inteligencji.

Istnieją dwa rodzaje inteligencji maszynowej: sztuczna oparta na technikach hard computing oraz obliczeniowa oparta na miękkich metodach obliczeniowych, które umożliwiają adaptację do wielu sytuacji.

Techniki twardych obliczeń działają zgodnie z logiką binarną opartą tylko na dwóch wartościach (prawda lub fałsz, 0 lub 1), na których oparte są współczesne komputery. Jednym z problemów z tą logiką jest to, że nasz język naturalny nie zawsze może być łatwo przełożony na wartości bezwzględne 0 i 1. Techniki soft computing, oparte na logice rozmytej, mogą być tutaj przydatne. Ta logika jest znacznie bliższa sposobowi, w jaki działa ludzki mózg, agregując dane do prawd cząstkowych (systemy ostre/rozmyte), ta logika jest jednym z głównych wyłącznych aspektów CI.

W ramach tych samych zasad logiki rozmytej i binarnej postępuj zgodnie z systemami chrupiącymi i rozmytymi . Wyraźna logika jest częścią zasad sztucznej inteligencji i polega na włączaniu elementu do zestawu lub nie, podczas gdy systemy rozmyte (CI) umożliwiają częściowe umieszczenie elementów w zestawie. Zgodnie z tą logiką każdemu elementowi można nadać stopień przynależności (od 0 do 1), a nie tylko jedną z tych 2 wartości.

Pięć głównych zasad CI i jej zastosowań

Główne zastosowania inteligencji obliczeniowej to informatyka , inżynieria, analiza danych i biomedycyna .

Logika rozmyta

Jak wyjaśniono wcześniej, logika rozmyta , jedna z głównych zasad CI, polega na pomiarach i modelowaniu procesów wykonywanych dla złożonych procesów rzeczywistych. Może spotkać się z niekompletnością, a co najważniejsze nieznajomością danych w modelu procesu, w przeciwieństwie do Sztucznej Inteligencji, która wymaga dokładnej wiedzy.

Technika ta ma zwykle zastosowanie w wielu dziedzinach, takich jak kontrola, przetwarzanie obrazu i podejmowanie decyzji. Ale jest również dobrze wprowadzany w dziedzinie sprzętu AGD z pralkami, kuchenkami mikrofalowymi itp. Możemy się z tym zmierzyć również podczas korzystania z kamery wideo, gdzie pomaga stabilizować obraz podczas chwiejnego trzymania kamery. Inne obszary, takie jak diagnostyka medyczna, handel walutami i wybór strategii biznesowej, są poza szeregiem zastosowań tej zasady.

Logika rozmyta jest głównie przydatna do rozumowania przybliżonego i nie ma zdolności uczenia się, kwalifikacji bardzo potrzebnej ludziom. Pozwala im doskonalić się, ucząc się na wcześniejszych błędach.

Sieci neuronowe

Dlatego eksperci CI pracują nad rozwojem sztucznych sieci neuronowych opartych na sieciach biologicznych , które można zdefiniować za pomocą 3 głównych elementów: komórki-ciała przetwarzającego informację, aksonu będącego urządzeniem umożliwiającym przewodzenie sygnału oraz synapsa, która kontroluje sygnały. Dlatego sztuczne sieci neuronowe są usiane rozproszonymi systemami przetwarzania informacji, umożliwiającymi proces i uczenie się na podstawie danych empirycznych. Praca jak ludzie, odporność na błędy jest również jednym z głównych atutów tej zasady.

Pod względem zastosowań sieci neuronowe można podzielić na pięć grup: analiza i klasyfikacja danych, pamięć asocjacyjna, generowanie wzorców w klasterach i sterowanie. Ogólnie rzecz biorąc, metoda ta ma na celu analizę i klasyfikację danych medycznych, przystąpienie do wykrywania twarzy i oszustw, a co najważniejsze, radzenie sobie z nieliniowością systemu w celu jego kontroli. Co więcej, techniki sieci neuronowych mają tę samą zaletę, co te z logiką rozmytą, polegającą na umożliwieniu grupowania danych .

Obliczenia ewolucyjne

Opierając się na procesie doboru naturalnego, wprowadzonym po raz pierwszy przez Karola Roberta Darwina , obliczenia ewolucyjne polegają na wykorzystaniu siły naturalnej ewolucji do stworzenia nowych sztucznych metodologii ewolucyjnych. Obejmuje ona również inne obszary, takie jak strategia ewolucji i algorytmy ewolucyjne, które są postrzegane jako rozwiązujące problemy... Główne zastosowania tej zasady obejmują takie obszary, jak optymalizacja i optymalizacja wielokryterialna , do których tradycyjne techniki matematyczne nie są już wystarczające do zastosowania do szerokiego zakresu problemów, takich jak analiza DNA , problemy z planowaniem...

Teoria uczenia się

Wciąż poszukując sposobu „rozumowania” bliskiego ludzkiemu, teoria uczenia się jest jednym z głównych podejść CI. W psychologii uczenie się to proces łączenia efektów poznawczych, emocjonalnych i środowiskowych oraz doświadczeń w celu zdobycia, wzmocnienia lub zmiany wiedzy, umiejętności, wartości i światopoglądów (Ormrod, 1995; Illeris, 2004). Uczenie się teorii pomaga następnie zrozumieć, w jaki sposób te efekty i doświadczenia są przetwarzane, a następnie pomaga w przewidywaniu na podstawie wcześniejszych doświadczeń.

Metody probabilistyczne

Będąc jednym z głównych elementów logiki rozmytej, metody probabilistyczne po raz pierwszy wprowadzone przez Paula Erdosa i Joela Spencera (1974), mają na celu ocenę wyników inteligentnego systemu obliczeniowego, w większości definiowanego przez losowość . Dlatego metody probabilistyczne wydobywają możliwe rozwiązania problemu w oparciu o wcześniejszą wiedzę.

Wpływ na edukację uniwersytecką

Według badań bibliometrycznych inteligencja obliczeniowa odgrywa kluczową rolę w badaniach. Wszyscy główni wydawcy akademiccy akceptują rękopisy, w których omawiane jest połączenie logiki rozmytej, sieci neuronowych i obliczeń ewolucyjnych. Z drugiej strony inteligencja obliczeniowa nie jest dostępna w uniwersyteckim programie nauczania . Liczba uczelni technicznych, w których studenci mogą uczęszczać na zajęcia, jest ograniczona. Tylko kolumbia brytyjska, Technical University of Dortmund (zaangażowany w europejski boom rozmyty) i Georgia Southern University oferują kursy z tej dziedziny.

Powodem, dla którego główne uniwersytety ignorują ten temat, jest brak zasobów. Istniejące kursy informatyki są na tyle złożone, że pod koniec semestru nie ma miejsca na logikę rozmytą . Czasami jest nauczany jako podprojekt w istniejących kursach wprowadzających, ale w większości przypadków uniwersytety preferują kursy dotyczące klasycznych koncepcji sztucznej inteligencji opartych na logice logicznej, maszynach Turinga i problemach z zabawkami, takimi jak świat klocków.

Od pewnego czasu wraz z podniesieniem edukacji STEM sytuacja nieco się zmieniła. Dostępne są pewne wysiłki, w których preferowane są podejścia multidyscyplinarne, które pozwalają uczniowi zrozumieć złożone systemy adaptacyjne. Cele te są omówione jedynie na gruncie teoretycznym. Program nauczania prawdziwych uczelni nie został jeszcze dostosowany.

Publikacje

• Transakcje IEEE w sieciach neuronowych i systemach uczenia się
• Transakcje IEEE w systemach rozmytych
• Transakcje IEEE dotyczące obliczeń ewolucyjnych
• Transakcje IEEE dotyczące pojawiających się tematów w inteligencji obliczeniowej
• Transakcje IEEE dotyczące autonomicznego rozwoju umysłowego
• Transakcje IEEE/ACM dotyczące biologii obliczeniowej i bioinformatyki
• Transakcje IEEE dotyczące inteligencji obliczeniowej i sztucznej inteligencji w grach
• Transakcje IEEE dotyczące nanobiologii
• Transakcje IEEE dotyczące kryminalistyki i bezpieczeństwa informacji
• Transakcje IEEE dotyczące afektywnego przetwarzania danych
• Transakcje IEEE w Smart Grid
• Transakcje IEEE dotyczące nanotechnologii
• Dziennik systemów IEEE

Zobacz też

Uwagi

• Inteligencja obliczeniowa: wprowadzenie Andriesa Engelbrechta. Wiley i Synowie. ISBN  0-470-84870-7
• Inteligencja obliczeniowa: podejście logiczne autorstwa Davida Poole'a, Alana Mackwortha, Randy'ego Goebela. Oxford University Press. ISBN  0-19-510270-3
• Inteligencja obliczeniowa: wprowadzenie metodologiczne Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013, Springer, ISBN  9781447150121

Bibliografia