Вычислительный интеллект - Computational intelligence

Для журнала см. Computational Intelligence (журнал).
Для более широкого освещения этой темы см. Искусственный интеллект.

Выражение вычислительный интеллект (CI) обычно относится к способности компьютер узнать конкретную задачу из данных или экспериментального наблюдения. Хотя это обычно считается синонимом мягкие вычисления, до сих пор нет общепринятого определения вычислительного интеллекта.

Как правило, вычислительный интеллект - это 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 во время процесса, или процесс может быть просто стохастическим по своей природе.[1][страница нужна ] В самом деле, многие реальные проблемы не могут быть переведены на двоичный язык (уникальные значения 0 и 1), чтобы компьютеры могли их обработать. Таким образом, Computational Intelligence предоставляет решения для таких проблем.

Используемые методы близки к человеческому мышлению, т. Е. Используют неточные и неполные знания, и он способен производить управляющие воздействия адаптивным образом. Таким образом, CI использует комбинацию пяти основных дополнительных методов.[1] В нечеткая логика что позволяет компьютеру понимать естественный язык,[2][страница нужна ][3] искусственные нейронные сети что позволяет системе изучать экспериментальные данные, действуя как биологические, эволюционные вычисления, который основан на процессе естественного отбора, теории обучения и вероятностных методах, помогающих справиться с неточностью неопределенности.[1]

Помимо этих основных принципов, популярные в настоящее время подходы включают алгоритмы, основанные на биологии, такие как рой интеллект[4] и искусственная иммунная система, который можно рассматривать как часть эволюционные вычисления, обработка изображений, интеллектуальный анализ данных, обработка естественного языка и искусственный интеллект, который часто путают с вычислительным интеллектом. Но хотя и Computational Intelligence (CI), и Искусственный интеллект (AI) стремятся к схожим целям, между ними есть четкое различие[согласно кому? ][нужна цитата ].

Таким образом, вычислительный интеллект - это способ действовать как люди.[нужна цитата ]. Действительно, характеристику «интеллекта» обычно приписывают[кем? ] людям. В последнее время многие продукты и предметы также утверждают, что они «умные», что напрямую связано с рассуждениями и принятием решений.[требуется дальнейшее объяснение ].

История

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 г. Совет по нейронным сетям IEEE был преобразован в Общество нейронных сетей IEEE. Общество вычислительного интеллекта IEEE два года спустя, включив новые области интереса, 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 низкоуровневыми данными, такими как числовые данные, имеет распознавание образов компонент и не использует знания в смысле ИИ, и, кроме того, когда он начинает проявлять вычислительную адаптивность, отказоустойчивость, скорость, приближающуюся к человеческому обороту, и частоту ошибок, которая приближается к производительности человека.

Бездек и Маркс (1993) четко разграничили КИ от ИИ, утверждая, что первый основан на мягкие вычисления методы, в то время как AI основан на жестких вычислениях.

Разница между вычислительным и искусственным интеллектом

Хотя искусственный интеллект и вычислительный интеллект преследуют аналогичную долгосрочную цель: достичь общий интеллект, который является интеллектом машины, способной выполнять любую интеллектуальную задачу, которую может выполнить человек; между ними есть явная разница. Согласно Бездеку (1994), вычислительный интеллект - это подмножество искусственного интеллекта.

Существует два типа машинного интеллекта: искусственный, основанный на жестких вычислениях, и вычислительный, основанный на методах мягких вычислений, которые позволяют адаптироваться ко многим ситуациям.

Методы сложных вычислений работают по двоичной логике, основанной только на двух значениях (логические значения true или false, 0 или 1), на которых основаны современные компьютеры. Одна из проблем с этой логикой состоит в том, что наш естественный язык не всегда может быть легко переведен в абсолютные значения 0 и 1. Здесь могут быть полезны методы мягких вычислений, основанные на нечеткой логике.[6] Эта логика, которая намного ближе к тому, как работает человеческий мозг, объединяя данные в частичные истины (четкие / нечеткие системы), является одним из основных эксклюзивных аспектов CI.

В рамках тех же принципов нечеткого и двоичного логика следовать хрустящим и нечетким системы.[7] Четкая логика является частью принципов искусственного интеллекта и состоит либо из включения элемента в набор, либо из его отсутствия, тогда как нечеткие системы (CI) позволяют элементам частично входить в набор. Следуя этой логике, каждому элементу может быть присвоена степень принадлежности (от 0 до 1), а не только одно из этих двух значений.[8]

Пять основных принципов CI и его приложений

Основные приложения вычислительного интеллекта включают: Информатика, инженерия, анализ данных и биомедицина.

Нечеткая логика

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

Этот метод имеет тенденцию применяться к широкому кругу областей, таких как контроль, обработка изображений и принятие решений. Но он также хорошо внедрен в области бытовой техники со стиральными машинами, микроволновыми печами и т. Д. Мы также можем столкнуться с этим при использовании видеокамеры, где она помогает стабилизировать изображение при неустойчивом удерживании 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 способна к обучению.[1] квалификация, столь необходимая человеческим существам.[нужна цитата ] Это позволяет им совершенствоваться, извлекая уроки из своих предыдущих ошибок.

Нейронные сети

Поэтому специалисты CI работают над созданием искусственные нейронные сети на основе биологические, который может быть определен тремя основными компонентами: тело клетки, которое обрабатывает информацию, аксон, который является устройством, обеспечивающим передачу сигнала, и синапс, который контролирует сигналы. Поэтому искусственные нейронные сети очень любят распределенные системы обработки информации,[9] обеспечение процесса и обучения на основе экспериментальных данных. Работая по-человечески, отказоустойчивость также является одним из главных достоинств этого принципа.[1]

Что касается приложений, нейронные сети можно разделить на пять групп: анализ и классификация данных, ассоциативная память, создание шаблонов кластеров и управление.[1] Как правило, этот метод направлен на анализ и классификацию медицинских данных, переход к обнаружению 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 то преимущество, что позволяют кластеризация данных.

Эволюционные вычисления

На основе процесса естественный отбор впервые представленный Чарльз Роберт Дарвин, эволюционные вычисления заключаются в использовании силы естественной эволюции для создания новых искусственных эволюционных методологий.[11][страница нужна ] Он также включает другие области, такие как стратегия развития и эволюционные алгоритмы которые рассматриваются как решатели проблем ... Основные приложения этого принципа охватывают такие области, как оптимизация и многокритериальная оптимизация, для решения которых традиционных математических методов уже недостаточно для применения к широкому кругу задач, таких как Анализ ДНК, проблемы с расписанием ...[1]

Теория обучения

Все еще ища способ «рассуждать», близкий к человеческому, теория обучения - один из основных подходов CI. В психологии обучение - это процесс объединения когнитивных, эмоциональных и средовых эффектов и опыта для приобретения, расширения или изменения знаний, навыков, ценностей и мировоззрений (Ormrod, 1995; Illeris, 2004).[1] Затем изучение теорий помогает понять, как обрабатываются эти эффекты и опыт, а затем помогает делать прогнозы на основе предыдущего опыта.[12]

Вероятностные методы

Вероятностные методы, являясь одним из основных элементов нечеткой логики, впервые были введены Пол Эрдош и Джоэл Спенсер [1](1974), стремятся оценить результаты вычислительной интеллектуальной системы, в основном определяемые случайность.[13] Следовательно, вероятностные методы выявляют возможные решения проблемы на основе предварительных знаний.

Влияние на университетское образование

В соответствии с библиометрия исследований, вычислительный интеллект играет ключевую роль в исследованиях.[14] Все основные академические издатели принимают рукописи, в которых обсуждается сочетание нечеткой логики, нейронных сетей и эволюционных вычислений. С другой стороны, вычислительный интеллект недоступен в университете. учебный план.[15] Количество технические университеты количество студентов, которые могут посещать курс, ограничено. Только Британская Колумбия, Технический университет Дортмунда (вовлеченный в европейский нечеткий бум) и Южный университет Джорджии предлагают курсы из 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 семестр нет места для нечеткая логика.[16] Иногда это преподается как подпроект в существующих вводных курсах, но в большинстве случаев университеты предпочитают курсы, посвященные классическим концепциям ИИ, основанным на логической логике, машинах Тьюринга и проблемы с игрушками как блоки мира.

Некоторое время спустя с подъемом STEM образование, ситуация немного изменилась.[17] Есть некоторые попытки, в которых мультидисциплинарный предпочтение отдается подходам, которые позволяют студенту понимать сложные адаптивные системы.[18] Эти цели обсуждаются только на теоретической основе. Учебные программы реальных университетов еще не адаптированы.

Публикации

Смотрите также

Примечания

  • Вычислительный интеллект: введение пользователя Andries Engelbrecht. Wiley & Sons. ISBN  0-470-84870-7
  • Вычислительный интеллект: логический подход Дэвид Пул, Алан Макворт, Рэнди Гебель. Издательство Оксфордского университета. ISBN  0-19-510270-3
  • Вычислительный интеллект: методологическое введение Авторы: Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held, 2013, Springer, ISBN  9781447150121

Рекомендации

  1. ^ а б c d е ж грамм час я j k Сиддик, Назмул; Адели, Ходжат (2013). Вычислительный интеллект: синергия нечеткой логики, нейронных сетей и эволюционных вычислений. Джон Вили и сыновья. ISBN  978-1-118-53481-6.
  2. ^ Рутковский, Лешек (2008). Вычислительный интеллект: методы и приемы. Springer. ISBN  978-3-540-76288-1.
  3. ^ а б "Нечеткая логика". WhatIs.com. Маргарет Роуз. Июль 2006 г.
  4. ^ Бени, Г., Ван, Дж. Роевой интеллект в сотовых робототехнических системах, Proceed. Продвинутый семинар НАТО по роботам и биологическим системам, Тоскана, Италия, 26–30 июня (1989 г.)
  5. ^ "История общества вычислительного интеллекта IEEE". Вики по истории инженерии и технологий. 22 июля 2014 г.. Получено 30 октября, 2015.
  6. ^ «Искусственный интеллект, вычислительный интеллект, мягкие вычисления, естественные вычисления - в чем разница? - ANDATA». www.andata.at. Получено 5 ноября, 2015.
  7. ^ «Нечеткие множества и распознавание образов». www.cs.princeton.edu. Получено 5 ноября, 2015.
  8. ^ Р. Пфайфер. 2013. Глава 5: НЕЧЕТКАЯ логика. Конспект лекций «Реальные вычисления». Цюрих. Цюрихский университет.
  9. ^ Стерджиу, Христос; Сиганос, Димитриос. "Нейронные сети". СЮРПРИЗ 96 Журнал. Имперский колледж Лондон. Архивировано из оригинал 16 декабря 2009 г.. Получено Одиннадцатое марта, 2015.
  10. ^ Сомерс, Марк Джон; Казаль, Хосе К. (июль 2009 г.). «Использование искусственных нейронных сетей для моделирования нелинейности» (PDF). Организационные методы исследования. 12 (3): 403–417. Дои:10.1177/1094428107309326. Получено 31 октября, 2015.
  11. ^ Де Йонг, К. (2006). Эволюционные вычисления: единый подход. MIT Press. ISBN  9780262041942.
  12. ^ Уоррелл, Джеймс. «Теория вычислительного обучения: 2014-2015». Оксфордский университет. Страница презентации курса CLT. Оксфордский университет. Получено 11 февраля, 2015.
  13. ^ Palit, Ajoy K .; Попович, Добривое (2006). Вычислительный интеллект в прогнозировании временных рядов: теория и инженерные приложения. Springer Science & Business Media. п. 4. ISBN  9781846281846.
  14. ^ НИС ЯН ВАН ЭКК и ЛЮДО УОЛТМАН (2007). «Библиометрическое отображение области вычислительного интеллекта». Международный журнал неопределенности, нечеткости и систем, основанных на знаниях. World Scientific Pub Co Pte Lt. 15 (5): 625–645. Дои:10.1142 / s0218488507004911.
  15. ^ Минаи, Афсане и Санати-Мехризи, Паймон и Санати-Мехризи, Али и Санати-Мехризи, Реза (2013). «Курс вычислительного интеллекта в программах бакалавриата по информатике и инженерии». Возраст. 23: 1.CS1 maint: несколько имен: список авторов (связь)
  16. ^ Мэнцзе Чжан (2011). «Опыт преподавания вычислительного интеллекта в курсах бакалавриата [образовательный форум]». Журнал IEEE Computational Intelligence Magazine. Институт инженеров по электротехнике и радиоэлектронике (IEEE). 6 (3): 57–59. Дои:10.1109 / mci.2011.941591.
  17. ^ Саманта, Бисванатх (2011). Вычислительный интеллект: инструмент для междисциплинарного образования и исследований. Материалы ежегодной конференции Северо-восточной секции ASEE 2011 года, Хартфордский университет.
  18. ^ Г.К.К. Венаягамурти (2009). «Успешный междисциплинарный курс по совместному интеллекту». Журнал IEEE Computational Intelligence Magazine. Институт инженеров по электротехнике и радиоэлектронике (IEEE). 4 (1): 14–23. Дои:10.1109 / mci.2008.930983.