Hvad er beregningsmæssig intelligens?

Computational intelligence (CI) er en gren af ​​computervidenskab, hvor projekter udvikler sig fra bund til top, med orden, der kommer ud fra en indledende mangel på struktur. Dette ligner mange processer set i den naturlige verden. Computational intelligence inkluderer begreber som evolutionær beregning, hvor problemer løses ved hjælp af modeller for den evolutionære proces, og når de anvendes til maskinlæring, tillader robotter at lære af erfaringerne. Uklar logik, et system, der ligner menneskelig beslutningstagning, kan bruges til at løse problemer, hvor der er vaghed eller usikkerhed. Neurale netværk er systemer baseret på menneskelig hjernefunktion og kan bruges til at detektere mønstre og tendenser i komplekse data.

I modsætning til hård computing, hvor løsninger er garanteret og problemer er begrænset under strenge betingelser, falder computational intelligence under overskriften for soft computing, hvor succesrige resultater ikke altid opstår. Computational intelligence henter ofte inspiration fra naturen, for eksempel inden for evolutionær beregning, hvor der oprettes systemer, der udvikler sig til at løse komplekse problemer. Dette kan anvendes til kunstig eller syntetisk intelligens, hvilket giver anledning til robotter, der lærer af erfaring og udvikler sig over tid.

Systemer, der er baseret på uklar logik, kan bruges i computational intelligence til at simulere menneskelige tankegang. De kunne kombineres med biologisk inspirerede neurale netværk inden for kognitiv robotik, hvilket skaber robotter med evnen til at tænke på en måde, der ligner menneskelige tankeprocesser. Ud over at tænke kan sådanne robotter også lære, huske, opfatte og træffe beslutninger i lyset af usikkerhed, som mennesker gør. Dette kunne gøre det muligt for robotter at forstå menneskelige anmodninger bedre, så de kan registrere betydningen bag de anvendte ord. Det kan være vigtigt for en maskine, der udfører indenlandske opgaver.

Neurale netværk betragtes normalt som en del af computational intelligence. Ligesom den menneskelige hjerne består de af adskillige indbyrdes forbundne dele, svarende til nerver. Disse arbejder sammen for at løse problemer, lære som de går, fordi forbindelserne mellem elementer er justerbare, ligesom forbindelserne mellem nerver.

Når neurale netværk har lært, hvordan man analyserer data, kan de effektivt blive eksperter inden for deres felt og kan bruges til at forudsige resultater i forskellige scenarier. En ulempe ved denne type beregningsintelligens er, at den kræver en masse computerkraft, og at den kan arbejde på en uforudsigelig måde. Neurale netværk bør ikke forveksles med ekspertsystemer, der bruger forudbestemte sæt regler for at træffe beslutninger og ikke tilpasse dem til at passe til dataene.