Hva er beregningsintelligens?

Computational intelligence (CI) er en gren av informatikk der prosjekter utvikler seg fra bunn til topp, med orden som kommer fra en initial mangel på struktur. Dette ligner mange prosesser sett i den naturlige verden. Beregningsintelligens inkluderer begreper som evolusjonær beregning, der problemer løses ved bruk av modeller for den evolusjonsprosessen, og når de brukes på maskinlæring, lar roboter lære av erfaring. Uklar logikk, et system som ligner menneskets beslutninger, kan brukes til å løse problemer der det er vaghet eller usikkerhet. Nevrale nettverk er systemer basert på menneskets hjernefunksjon og kan brukes til å oppdage mønstre og trender i komplekse data.

I motsetning til hard databehandling, der løsninger er garantert og problemer er begrenset i henhold til strenge betingelser, faller beregningsintelligens under overskriften myk databehandling, der vellykkede resultater ikke alltid oppstår. Beregningsintelligens henter ofte inspirasjon fra naturen, for eksempel innen evolusjonsberegning, der det lages systemer som utvikler seg for å løse komplekse problemer. Dette kan brukes på kunstig eller syntetisk intelligens, noe som gir opphav til roboter som lærer av erfaring og utvikler seg over tid.

Systemer basert på uklar logikk kan brukes i beregningsintelligens for å simulere menneskelige tanker. De kan kombineres med biologisk inspirerte nevrale nettverk innen kognitiv robotikk, og skape roboter med evnen til å tenke på en måte som ligner menneskelige tankeprosesser. I tillegg til å tenke, kan slike roboter også lære, huske, oppfatte og ta avgjørelser i møte med usikkerhet, slik mennesker gjør. Dette kan gjøre det mulig for roboter å forstå menneskelige forespørsler bedre, slik at de kan oppdage betydningen bak ordene som brukes. Det kan være viktig for en maskin som utfører hjemlige oppgaver.

Nevrale nettverk blir vanligvis betraktet som en del av beregningsintelligens. I likhet med den menneskelige hjernen består de av mange sammenkoblede enkeltdeler, ligner nerver. Disse jobber sammen for å løse problemer, lære mens de går, fordi forbindelsene mellom elementene er justerbare, som forbindelsene mellom nerver.

Når nevrale nettverk har lært hvordan man kan analysere data, kan de effektivt bli eksperter på sine felt og kan brukes til å forutsi utfall i forskjellige scenarier. En ulempe med denne typen beregningsintelligens er at den krever mye datakraft og at den kan fungere på en uforutsigbar måte. Nevrale nettverk skal ikke forveksles med ekspertsystemer, som bruker forhåndsbestemte sett med regler for å ta beslutninger og ikke tilpasse dem til å passe til dataene.