Vad är beräkningsintelligens?

Computational intelligence (CI) är en gren av datavetenskap där projekt utvecklas från botten till topp, med ordning som kommer från en initial brist på struktur. Detta liknar många processer som ses i den naturliga världen. Beräkningsintelligens inkluderar begrepp som evolutionär beräkning, där problem löses med hjälp av modeller för den evolutionära processen, och när de tillämpas på maskininlärning, tillåter robotar att lära av erfarenhet. Fuzzy logik, ett system som liknar mänskligt beslutsfattande, kan användas för att lösa problem där det finns vaghet eller osäkerhet. Neurala nätverk är system baserade på mänsklig hjärnfunktion och kan användas för att upptäcka mönster och trender i komplexa data.

Till skillnad från hård dator, där lösningar garanteras och problem begränsas enligt strikta förhållanden, faller beräkningsintelligens under rubriken mjuk databehandling, där framgångsrika resultat inte alltid uppstår. Beräkningsintelligens hämtar ofta inspiration från naturen, till exempel inom området för evolutionär beräkning, där system skapas som utvecklas för att lösa komplexa problem. Detta kan tillämpas på konstgjord eller syntetisk intelligens, vilket ger upphov till robotar som lär sig av erfarenhet och utvecklas över tid.

System baserade på fuzzy logik kan användas i beräkningsintelligens för att simulera mänskliga tankesätt. De kan kombineras med biologiskt inspirerade neurala nätverk inom området kognitiv robotik och skapa robotar med förmågan att tänka på ett sätt som liknar mänskliga tankeprocesser. Förutom att tänka, kan sådana robotar också lära sig, komma ihåg, uppfatta och fatta beslut inför osäkerhet, som människor gör. Detta kan göra det möjligt för robotar att förstå mänskliga förfrågningar bättre, så att de kan upptäcka betydelsen bakom de använda orden. Det kan vara viktigt för en maskin som utför inhemska uppgifter.

Neurala nätverk anses vanligtvis som en del av beräkningsintelligensen. Liksom den mänskliga hjärnan består de av många sammankopplade enskilda delar, liknar nerver. Dessa arbetar tillsammans för att lösa problem, lära sig som de går, eftersom kopplingarna mellan elementen är justerbara, som anslutningarna mellan nerverna.

När neurala nätverk har lärt sig hur man analyserar data kan de effektivt bli experter inom sina områden och kan användas för att förutsäga resultat i olika scenarier. En nackdel med denna typ av beräkningsintelligens är att den kräver mycket datorkraft och den kan fungera på ett oförutsägbart sätt. Neurala nätverk bör inte förväxlas med expertsystem, som använder förutbestämda uppsättningar av regler för att fatta beslut och inte anpassa dem för att passa uppgifterna.