Вычислительный интеллект
Способность компьютера изучать конкретную задачу на основе данных или экспериментального наблюдения

Выражение вычислительный интеллект ( КИ ) обычно относится к способности компьютера изучать определенную задачу на основе данных или экспериментального наблюдения. Несмотря на то, что его обычно считают синонимом мягких вычислений , до сих пор не существует общепринятого определения вычислительного интеллекта.

В целом, вычислительный интеллект представляет собой набор вдохновленных природой вычислительных методологий и подходов для решения сложных реальных проблем, для которых математическое или традиционное моделирование может быть бесполезным по нескольким причинам: процессы могут быть слишком сложными для математических рассуждений, они могут содержать некоторые неопределенности в процессе или процесс может быть просто стохастическим по своей природе. [1] [ нужна страница ] Действительно, многие реальные проблемы не могут быть переведены на двоичный язык (уникальные значения 0 и 1) для обработки компьютерами. Поэтому вычислительный интеллект предоставляет решения для таких проблем.

Используемые методы близки к человеческому способу рассуждения, т. е. он использует неточные и неполные знания и способен производить управляющие воздействия адаптивным образом. Поэтому CI использует комбинацию из пяти основных дополнительных методов. [1] Нечеткая логика , которая позволяет компьютеру понимать естественный язык , [2] [ нужна страница ] [3] искусственные нейронные сети , которые позволяют системе изучать экспериментальные данные, работая подобно биологическим, эволюционные вычисления , которые основаны на процессе естественного отбора, теории обучения и вероятностных методах, которые помогают справляться 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, добычи данных, обработки естественного языка и искусственного интеллекта, который часто путают с вычислительным интеллектом. Но хотя и вычислительный интеллект (КИ), и искусственный интеллект (ИИ) преследуют схожие цели, между ними есть четкое различие [ по мнению кого? ] [ необходима цитата ] .

Вычислительный интеллект, таким образом, является способом действовать подобно людям [ требуется цитата ] . Действительно, характеристика «интеллекта» обычно приписывается [ кем? ] людям. В последнее время многие продукты и предметы также претендуют на то, чтобы быть «интеллектуальными», атрибут, который напрямую связан с рассуждением и принятием решений [ требуется дополнительное объяснение ] .

История

Источник: [5] Термин Computational Intelligence впервые был использован в качестве названия журнала с таким же названием в 1985 году [6] [7] , а затем 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 по нейронным сетям IEEE стал Обществом нейронных сетей IEEE, которое два года спустя стало Обществом вычислительного интеллекта IEEE, включив в него новые области интересов, такие как нечеткие системы и эволюционные вычисления, которые они связали с Computational Intelligence в 2011 году (Dote и Ovaska).

Но первое четкое определение вычислительного интеллекта было введено Бездеком в 1994 году: система является вычислительно интеллектуальной, когда она: имеет дело только с числовыми (низкоуровневыми) данными, имеет компоненты распознавания образов , не использует знания в смысле ИИ; и, кроме того, когда она (начинает) демонстрировать (1) вычислительную адаптивность; (2) вычислительную отказоустойчивость; (3) скорость, приближающуюся к человеческой, и (4) уровень ошибок, приближающийся к производительности человека. [8]

Бездек и Маркс (1993) четко разграничили КИ от других подмножеств ИИ, утверждая, что первый основан на методах мягких вычислений , тогда как ИИ основан на методах жестких вычислений.

Различия между вычислительным интеллектом и другими историческими подходами к искусственному интеллекту

Согласно Бездеку (1994), хотя вычислительный интеллект действительно является подмножеством искусственного интеллекта, существует два типа машинного интеллекта: искусственный, основанный на жестких вычислительных методах, и вычислительный, основанный на мягких вычислительных методах, которые позволяют адаптироваться ко многим ситуациям. Согласно Энгельбрехту (2007), алгоритмические подходы, которые были классифицированы для формирования подхода вычислительного интеллекта к ИИ, а именно нечеткие системы, нейронные сети, эволюционные вычисления, роевой интеллект и искусственные иммунные системы, называются «интеллектуальными алгоритмами». Вместе с логикой, дедуктивным рассуждением, экспертными системами, рассуждением на основе прецедентов и символическими системами машинного обучения (вышеупомянутые «жесткие» вычислительные подходы) сформировали набор инструментов искусственного интеллекта того времени. Конечно, сегодня, когда машинное обучение и глубокое обучение в частности используют широкий спектр контролируемых, неконтролируемых и подкрепленных подходов обучения, ландшафт ИИ был значительно улучшен новыми интеллектуальными подходами.

Методы жестких вычислений работают по двоичной логике, основанной только на двух значениях (булевы значения true или false, 0 или 1), на которых основаны современные компьютеры. Одна из проблем этой логики заключается в том, что наш естественный язык не всегда можно легко перевести в абсолютные значения 0 и 1. Методы мягких вычислений, основанные на нечеткой логике, могут быть здесь полезны. [9] Эта логика гораздо ближе к тому, как работает человеческий мозг, объединяя данные в частичные истины (четкие/нечеткие системы), и является одним из основных исключительных аспектов CI.

В рамках тех же принципов нечеткой и бинарной логики следуют четкие и нечеткие системы . [10] Четкая логика является частью принципов искусственного интеллекта и состоит либо из включения элемента в набор, либо нет, тогда как нечеткие системы (CI) позволяют элементам быть частично в наборе. Следуя этой логике, каждому элементу может быть присвоена степень членства (от 0 до 1), а не исключительно одно из этих 2 значений. [11]

Пять основных алгоритмических подходов CI и их применение

Основные области применения вычислительного интеллекта включают информатику , инженерию, анализ данных и биомедицину .

Нечеткая логика

Как объяснялось ранее, нечеткая логика , один из основных принципов CI, заключается в измерениях и моделировании процессов, созданных для сложных процессов реальной жизни. [3] Она может столкнуться с неполнотой и, что наиболее важно, незнанием данных в модели процесса, в отличие от искусственного интеллекта, который требует точных знаний.

Этот метод, как правило, применяется в широком спектре областей, таких как управление, обработка изображений и принятие решений. Но он также хорошо представлен в области бытовой техники со стиральными машинами, микроволновыми печами и т. д. Мы можем столкнуться с ним и при использовании видеокамеры, где он помогает стабилизировать изображение, удерживая камеру неустойчиво. Другие области, такие как медицинская диагностика, торговля иностранной валютой и выбор бизнес-стратегии, находятся в стороне от числа применений этого принципа. [1]

Нечеткая логика в основном полезна для приблизительных рассуждений и не обладает способностью к обучению [1] , которая так необходима людям. [ необходима цитата ] Она позволяет им совершенствоваться, извлекая уроки из своих предыдущих ошибок.

Нейронные сети

Вот почему эксперты CI работают над разработкой искусственных нейронных сетей на основе биологических , которые можно определить тремя основными компонентами: клеткой-телом, которая обрабатывает информацию, аксоном, который является устройством, обеспечивающим проведение сигнала, и синапсом, который управляет сигналами. Таким образом, искусственные нейронные сети изобилуют распределенными системами обработки информации, [12] обеспечивающими процесс и обучение на основе экспериментальных данных. Работая как люди, 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, переходит к обнаружению лиц и мошенничества и, что наиболее важно, на работу с нелинейностями системы с целью ее управления. [13] Кроме того, методы нейронных сетей разделяют с методами нечеткой логики преимущество в том, что они позволяют кластеризовать данные .

Эволюционные вычисления

Эволюционные вычисления можно рассматривать как семейство методов и алгоритмов глобальной оптимизации , которые обычно основаны на популяции возможных решений. Они вдохновлены биологической эволюцией и часто обобщаются как эволюционные алгоритмы . [14] К ним относятся генетические алгоритмы , эволюционная стратегия , генетическое программирование и многие другие. [15] Они рассматриваются как решатели проблем для задач, неразрешимых традиционными математическими методами [16] и часто используются для оптимизации , включая многоцелевую оптимизацию . [17]

Теория обучения

Все еще ищущий способ «рассуждения», близкий к человеческому, теория обучения является одним из основных подходов КИ. В психологии обучение — это процесс объединения когнитивных, эмоциональных и экологических эффектов и опыта для приобретения, улучшения или изменения знаний, навыков, ценностей и мировоззрений (Ормрод, 1995; Иллерис, 2004). [1] Теории обучения затем помогают понять, как эти эффекты и опыт обрабатываются, а затем помогают делать прогнозы на основе предыдущего опыта. [18]

Вероятностные методы

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 . [19] Таким образом, вероятностные методы выявляют возможные решения проблемы на основе имеющихся знаний.

Влияние на университетское образование

Согласно библиометрическим исследованиям, вычислительный интеллект играет ключевую роль в исследованиях. [20] Все основные академические издательства принимают рукописи, в которых обсуждается сочетание нечеткой логики, нейронных сетей и эволюционных вычислений. С другой стороны, вычислительный интеллект недоступен в университетской программе . [21] Количество технических университетов , в которых студенты могут посещать курсы, ограничено. Только Британская Колумбия, Технический университет Дортмунда (участвующий в европейском буме нечетких схем) и Университет Южной Джорджии предлагают курсы из этой области.

Причина, по которой крупные университеты игнорируют эту тему, заключается в том, что у них нет ресурсов. Существующие курсы по информатике настолько сложны, что в конце семестра не остается места для нечеткой логики . [22] Иногда ее преподают как подпроект в существующих вводных курсах, но в большинстве случаев университеты предпочитают курсы о классических концепциях ИИ, основанных на булевой логике , машинах Тьюринга и игрушечных задачах, таких как мир блоков.

С тех пор, как некоторое время назад с развитием STEM-образования ситуация немного изменилась. [23] Существуют некоторые усилия, в которых предпочтение отдается междисциплинарным подходам, что позволяет студенту понимать сложные адаптивные системы . [24] Эти цели обсуждаются только на теоретической основе. Учебная программа реальных университетов еще не была адаптирована.

Публикации

Смотрите также

Примечания

  • Вычислительный интеллект: Введение Андриеса Энгельбрехта. Wiley & Sons. ISBN  0-470-84870-7
  • Computational Intelligence: A Logical Approach Дэвида Пула, Алана Макворта, Рэнди Гебеля. Oxford University Press. ISBN 0-19-510270-3 
  • Вычислительный интеллект: методологическое введение Крузе, Боргельта, Клавонна, Мовеса, Штайнбрехера, Хелда, 2013, Springer, ISBN 9781447150121 

Ссылки

  1. ^ abcdefghi Siddique, Nazmul; Adeli, Hojjat (2013). Вычислительный интеллект: синергия нечеткой логики, нейронных сетей и эволюционных вычислений . John Wiley & Sons. ISBN 978-1-118-53481-6.
  2. ^ Рутковски, Лешек (2008). Вычислительный интеллект: методы и техники . Спрингер. ISBN 978-3-540-76288-1.
  3. ^ ab "Fuzzy Logic". WhatIs.com . Маргарет Рауз. Июль 2006 г.
  4. ^ Бени, Херардо; Ван, Цзин (1993). «Ройный интеллект в клеточных роботизированных системах». Роботы и биологические системы: на пути к новой бионике? . стр.  703–712 . doi :10.1007/978-3-642-58069-7_38. ISBN 978-3-642-63461-1.
  5. ^ "IEEE Computational Intelligence Society History". История инженерии и технологий Wiki . 22 июля 2014 г. Получено 30 октября 2015 г.
  6. ^ "Computational Intelligence - Архив выпусков". Онлайн-библиотека Wiley .
  7. ^ Bezdek, James C. (1998), Kaynak, Okyay; Zadeh, Lotfi A.; Türkşen, Burhan; ​​Rudas, Imre J. (ред.), "Computational Intelligence Defined - By Everyone!", Computational Intelligence: Soft Computing and Fuzzy-Neuro Integration with Applications , Berlin, Heidelberg: Springer, стр.  10–37 , doi :10.1007/978-3-642-58930-0_2, ISBN 978-3-642-63796-4, получено 1 февраля 2025 г.
  8. ^ Bezdek, James C (1994). «Что такое вычислительный интеллект?». В Zurada, Jacek M.; Marks II, Robert J.; Robinson, Charles J. (ред.). Вычислительный интеллект: имитация жизни . Нью-Йорк, Нью-Йорк: IEEE Press. стр.  1–12 . ISBN 978-0-7803-1104-6.
  9. ^ «Искусственный интеллект, вычислительный интеллект, мягкие вычисления, естественные вычисления — в чем разница? — ANDATA». www.andata.at . Получено 5 ноября 2015 г.
  10. ^ "Нечеткие множества и распознавание образов". www.cs.princeton.edu . Получено 5 ноября 2015 г.
  11. ^ Р. Пфайфер. 2013. Глава 5: FUZZY Logic. Конспект лекций по теме «Вычисления в реальном мире». Цюрих. Университет Цюриха.
  12. ^ Стергиу, Христос; Сиганос, Димитриос. «Нейронные сети». Журнал SURPRISE 96. Имперский колледж Лондона . Архивировано из оригинала 16 декабря 2009 г. Получено 11 марта 2015 г.
  13. ^ Somers, Mark John; Casal, Jose C. (июль 2009 г.). «Использование искусственных нейронных сетей для моделирования нелинейности» (PDF) . Методы организационных исследований . 12 (3): 403– 417. doi :10.1177/1094428107309326. S2CID  17380352 . Получено 31 октября 2015 г. .
  14. ^ Де Йонг, Кеннет А. (2006). Эволюционные вычисления: унифицированный подход. Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-52960-0.
  15. ^ Эйбен, AE; Смит, JE (2015). «Популярные варианты эволюционных алгоритмов». Введение в эволюционные вычисления. Серия Natural Computing. Берлин, Гейдельберг: Springer. С.  99–116 . doi :10.1007/978-3-662-44874-8. ISBN 978-3-662-44873-1.
  16. ^ Де Йонг, Кеннет А. (2006). «Эволюционные алгоритмы как решатели проблем». Эволюционные вычисления: унифицированный подход. Кембридж, Массачусетс: MIT Press. стр.  71–114 . ISBN 978-0-262-52960-0.
  17. ^ Бранке, Юрген; Деб, Кальянмой; Миеттинен, Кайса; Словински, Роман, ред. (2008). Многоцелевая оптимизация: интерактивные и эволюционные подходы. Конспект лекций по информатике. Том 5252. Берлин, Гейдельберг: Springer Berlin Heidelberg. doi :10.1007/978-3-540-88908-3. ISBN 978-3-540-88907-6.
  18. ^ Уоррелл, Джеймс. "Computational Learning Theory: 2014-2015". Оксфордский университет . Страница презентации курса CLT . Получено 11 февраля 2015 г.
  19. ^ Palit, Ajoy K.; Popovic, Dobrivoje (2006). Вычислительный интеллект в прогнозировании временных рядов: теория и инженерные приложения . Springer Science & Business Media. стр. 4. ISBN 9781846281846.
  20. ^ NEES JAN VAN ECK и LUDO WALTMAN (2007). «Библиометрическое отображение области вычислительного интеллекта». Международный журнал неопределенности, нечеткости и систем, основанных на знаниях . 15 (5). World Scientific Pub Co Pte Lt: 625– 645. doi : 10.1142/s0218488507004911. hdl : 1765/10073 .
  21. ^ Минаи, Афсанех и Санати-Мехризи, Пеймон и Санати-Мехризи, Али и Санати-Мехризи, Реза (2013). «Курс вычислительного интеллекта в учебных программах бакалавриата по информатике и инженерии» (PDF) . Возраст . 23 : 1.{{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
  22. ^ Мэнцзе Чжан (2011). «Опыт преподавания вычислительного интеллекта на уровне бакалавриата [Образовательный форум]». Журнал IEEE Computational Intelligence . 6 (3). Институт инженеров по электротехнике и электронике (IEEE): 57– 59. doi :10.1109/mci.2011.941591.
  23. ^ Саманта, Бисванат (2011). Вычислительный интеллект: инструмент для многопрофильного образования и исследований . Труды ежегодной конференции Северо-восточной секции ASEE 2011 года, Университет Хартфорда.
  24. ^ GKK Venayagamoorthy (2009). «Успешный междисциплинарный курс по вычислительному интеллекту». Журнал IEEE Computational Intelligence . 4 (1). Институт инженеров по электротехнике и электронике (IEEE): 14– 23. doi :10.1109/mci.2008.930983.
Взято с "https://en.wikipedia.org/w/index.php?title=Вычислительный_интеллект&oldid=1273284766"