Вычислительный интеллект
![]() | Эта статья включает список общих ссылок , но в ней отсутствуют достаточные соответствующие встроенные цитаты . ( Июль 2012 г. ) |
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 невозможно перевести 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 , позволяющая компьютеру понимать естественный язык . [2] [ нужна страница ] [3] искусственные нейронные сети , которые позволяют системе изучать экспериментальные данные, действуя подобно биологическим, эволюционным вычислениям , основанным на процессе естественного отбора, теории обучения и вероятностных методах, которые помогают справиться с неопределенностью и неточностью. [1]
Помимо этих основных принципов, популярные в настоящее время подходы включают биологические 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, который 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 ссылка ] .
Таким образом, вычислительный интеллект — это способ действовать по-человечески. [ нужна ссылка ] . Действительно, характеристику «интеллект» обычно приписывают [ кем? ] людям. В последнее время многие продукты и предметы также претендуют на звание «интеллектуальных», что напрямую связано с рассуждениями и принятием решений. [ нужны дальнейшие объяснения ] .
История [ править ]
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 предложено 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 смысле ИИ, а также когда она начинает демонстрировать вычислительную адаптивность, отказоустойчивость, скорость приближается к человеческая производительность и частота ошибок, которые приблизительно соответствуют человеческим возможностям.
Бездек и Маркс (1993) четко отличали CI от других подмножеств ИИ, утверждая, что первый основан на методах мягких вычислений , тогда как ИИ основан на методах жестких вычислений.
между вычислительным интеллектом и другими историческими подходами к интеллекту Различия искусственному
Согласно Бездеку (1994), хотя вычислительный интеллект действительно является подмножеством 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. . Согласно Энгельбрехту (2007), алгоритмические подходы, которые были классифицированы как формирующие подход 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, рассуждениями на основе прецедентов и системами символического машинного обучения (вышеупомянутые «жесткие» вычислительные подходы) сформировался набор инструментов искусственного интеллекта того времени. Конечно, сегодня, благодаря машинному обучению и глубокому обучению, в частности, с использованием широкого спектра подходов к обучению с учителем, без учителя и с подкреплением, ландшафт ИИ значительно расширился благодаря новым интеллектуальным подходам.
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 значения 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]
Пять основных алгоритмических подходов CI и приложения их
Основные области применения вычислительного интеллекта включают информатику , инженерию, анализ данных и биомедицину .
Нечеткая логика [ править ]
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] квалификация, столь необходимая людям. [ нужна ссылка ] Это позволяет им совершенствоваться, учась на своих предыдущих ошибках.
Нейронные сети [ править ]
Вот почему специалисты 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. Поэтому искусственные нейронные сети обожают системы распределенной обработки информации. [9] обеспечение процесса и обучения 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 имеют с методами нечеткой логики преимущество, заключающееся в возможности кластеризации данных .
Эволюционные вычисления [ править ]
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] Их считают решателями задач, которые не могут быть решены традиционными математическими методами. [13] и часто используются для оптимизации, включая многокритериальную оптимизацию . [14]
Теория обучения
все еще ищущая способ «рассуждения», близкий к человеческому, Теория обучения, 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] Изучение теорий затем помогает понять, как обрабатываются эти эффекты и опыт, а затем помогает делать прогнозы на основе предыдущего опыта. [15]
Вероятностные методы [ править ]
Будучи одним из основных элементов нечеткой логики, вероятностные методы впервые были предложены Полом Эрдосом и Джоэлом Спенсером. [1] (1974) стремились оценить результаты работы интеллектуальной вычислительной системы, в основном определяемые случайностью . [16] Таким образом, вероятностные методы выявляют возможные решения проблемы на основе предварительных знаний.
на образование Влияние университетское
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 в них нет места нечеткой логике . [19] Иногда его преподают 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] Есть некоторые попытки, в которых предпочтение отдается междисциплинарным подходам, которые позволяют студенту понять сложные адаптивные системы . [21] Эти цели обсуждаются только на теоретической основе. Учебная программа реальных университетов еще не адаптирована.
Публикации [ править ]
- Транзакции IEEE в нейронных сетях и системах обучения
- Транзакции IEEE в нечетких системах
- Транзакции IEEE в эволюционных вычислениях
- Транзакции IEEE по новым темам вычислительного интеллекта
- Транзакции IEEE по автономному умственному развитию
- Транзакции IEEE/ACM по вычислительной биологии и биоинформатике
- Транзакции IEEE о вычислительном интеллекте и искусственном интеллекте в играх
- Транзакции IEEE в области нанобиологии
- Транзакции IEEE по информационной криминалистике и безопасности
- Транзакции IEEE в аффективных вычислениях
- Транзакции IEEE в Smart Grid
- Транзакции IEEE по нанотехнологиям
- Системный журнал IEEE
См. также [ править ]
- Когнитивная робототехника
- Вычислительные финансы и вычислительная экономика
- Концепция майнинга
- Развивающая робототехника
- Интеллектуальный анализ данных
- Эволюционная робототехника
- Инжиниринг, основанный на знаниях
- Естественные вычисления
- Синтетический интеллект
- Международное совещание по методам вычислительного интеллекта для биоинформатики и биостатистики
Примечания [ править ]
- Вычислительный интеллект: введение Андриса Энгельбрехта. Уайли и сыновья. 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 , Крузе, Боргельт, Клавонн, Мовес, Штайнбрехер, Хелд, 2013, Спрингер, ISBN 9781447150121
Ссылки [ править ]
- ↑ Перейти обратно: Перейти обратно: а б с д и ж г час я дж Сиддик, Назмул; Адели, Ходжат (2013). Вычислительный интеллект: синергия нечеткой логики, нейронных сетей и эволюционных вычислений . Джон Уайли и сыновья. ISBN 978-1-118-53481-6 .
- ^ Рутковский, Лешек (2008). Вычислительный интеллект: методы и техники . Спрингер. ISBN 978-3-540-76288-1 .
- ↑ Перейти обратно: Перейти обратно: а б «Нечеткая логика» . WhatIs.com . Маргарет Роуз. Июль 2006.
- ^ Бени, Херардо; Ван, Цзин (1993). «Роевой интеллект в клеточных робототехнических системах» . Роботы и биологические системы: на пути к новой бионике? . стр. 703–712. дои : 10.1007/978-3-642-58069-7_38 . ISBN 978-3-642-63461-1 .
- ^ «История общества вычислительной разведки IEEE» . Wiki по истории техники и технологий . 22 июля 2014 года . Проверено 30 октября 2015 г.
- ^ «Искусственный интеллект, вычислительный интеллект, мягкие вычисления, естественные вычисления — в чем разница? — АНДАТА» . www.andata.at . Проверено 5 ноября 2015 г.
- ^ «Нечеткие множества и распознавание образов» . www.cs.princeton.edu . Проверено 5 ноября 2015 г.
- ^ Р. Пфайфер. 2013. Глава 5: НЕЧЕТКАЯ Логика. Конспект лекций по теме «Реальные вычисления». Цюрих. Университет Цюриха.
- ^ Стергиу, Христос; Сиганос, Димитриос. «Нейронные сети» . СЮРПРИЗ 96 Журнал . Имперский колледж Лондона . Архивировано из оригинала 16 декабря 2009 года . Проверено 11 марта 2015 г.
- ^ 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 . S2CID 17380352 . Проверено 31 октября 2015 г.
- ^ Де Йонг, Кеннет А. (2006). Эволюционные вычисления: унифицированный подход . Кембридж, Массачусетс: MIT Press. ISBN 978-0-262-52960-0 .
- ^ Эйбен, А.Е.; Смит, Дж. Э. (2015). «Популярные варианты эволюционных алгоритмов». Введение в эволюционные вычисления . Серия естественных вычислений. Берлин, Гейдельберг: Springer. стр. 99–116. дои : 10.1007/978-3-662-44874-8 . ISBN 978-3-662-44873-1 .
- ^ Де Йонг, Кеннет А. (2006). «Эволюционные алгоритмы как средства решения проблем». Эволюционные вычисления: унифицированный подход . Кембридж, Массачусетс: MIT Press. стр. 71–114. ISBN 978-0-262-52960-0 .
- ^ Бранке, Юрген; Деб, Калянмой; Миеттинен, Кайса; Словинский, Роман, ред. (2008). Многокритериальная оптимизация: интерактивный и эволюционный подходы . Конспекты лекций по информатике. Том. 5252. Берлин, Гейдельберг: Springer Berlin Heidelberg. дои : 10.1007/978-3-540-88908-3 . ISBN 978-3-540-88907-6 .
- ^ Уоррелл, Джеймс. «Теория вычислительного обучения: 2014-2015» . Оксфордский университет . Презентационная страница курса CLT . Проверено 11 февраля 2015 г.
- ^ Палит, Аджой К.; Попович, Добривое (2006). Вычислительный интеллект в прогнозировании временных рядов: теория и инженерные приложения . Springer Science & Business Media. п. 4. ISBN 9781846281846 .
- ^ НУЖЕН ЯН ВАН ЭК и ЛЮДО УОЛТМАН (2007). «Библиометрическое картирование поля вычислительного интеллекта» . Международный журнал неопределенности, нечеткости и систем, основанных на знаниях . 15 (5). World Scientific Pub Co Pte Lt: 625–645. дои : 10.1142/s0218488507004911 . hdl : 1765/10073 .
- ^ Минайе, Афсане и Санати-Мехризи, Паймон и Санати-Мехризи, Али и Санати-Мехризи, Реза (2013). «Курс вычислительного интеллекта в программе бакалавриата по информатике и инженерному делу» (PDF) . Возраст . 23 :1.
{{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ) - ^ Мэнцзе Чжан (2011). «Опыт преподавания вычислительного интеллекта на курсах бакалавриата [Образовательный форум]». Журнал IEEE Computational Intelligence . 6 (3). Институт инженеров по электротехнике и электронике (IEEE): 57–59. дои : 10.1109/mci.2011.941591 .
- ^ Саманта, Бисванат (2011). Вычислительный интеллект: инструмент междисциплинарного образования и исследований . Материалы ежегодной конференции Северо-восточной секции ASEE 2011 г., Хартфордский университет.
- ^ ГКК Венаягамурти (2009). «Успешный междисциплинарный курс по вычислительному интеллекту». Журнал IEEE Computational Intelligence . 4 (1). Институт инженеров по электротехнике и электронике (IEEE): 14–23. дои : 10.1109/mci.2008.930983 .