컴퓨터 지능

Computational intelligence
저널은 Computing Intelligence(저널)를 참조하십시오.
이 주제에 대한 보다 광범위한 내용은 인공지능을 참조하십시오.

컴퓨터 지능(CI)이라는 표현은 보통 데이터나 실험 관찰로부터 특정 업무를 익힐 수 있는 컴퓨터의 능력을 가리킨다. 일반적으로 소프트 컴퓨팅의 동의어로 여겨지지만, 컴퓨터 인텔리전스에 대한 일반적인 정의는 여전히 존재하지 않는다.

일반적으로 계산 인텔리전스는 수학적 또는 전통적인 모델링이 몇 가지 이유로 무용지물이 될 수 있는 복잡한 실제 문제들을 다루기 위한 자연에서 영감을 받은 계산 방법론과 접근법의 집합이다: 프로세스는 수학적 추론을 위해 너무 복잡할 수 있고, 과정 중 일부 불확실성을 포함할 수 있다. 그 과정은 자연에서 단순히 확률적일 수 있다.[1][page needed] 실제로 많은 실생활 문제들은 컴퓨터가 그것을 처리하기 위해 이진법 언어(0과 1)로 번역될 수 없다. 따라서 컴퓨터 인텔리전스는 그러한 문제에 대한 해결책을 제공한다.

사용되는 방법은 인간의 추리방식에 가까우며, 즉, 부정확하고 불완전한 지식을 사용하며, 적응적인 방법으로 제어 작용을 발생시킬 수 있다. 따라서 CI는 5가지 주요 보완 기법의 조합을 사용한다.[1] 컴퓨터는 시스템은 생물학적인 것, 진화적인 컴퓨팅, 자연 선택의 과정을 원작으로 했지만, 이론, 그리고 다루는 것을 도와 줘 확률론적 방법을 배우는 것 같아 운영을 통해 경험을 통한 데이터를 배우기를 허용하도록 자연 language,[2][페이지 필요한][3]인공 신경 네트워크를 이해할 수 있는 퍼지 논리이다. 불확실성으로 나는정밀의[1]

그 주요 원칙을 제외하고, 현재 인기 있는 접근법 집단 intelligence[4]과 인공 면역 시스템과 같은 진화의 일부로 볼 수 있어 생물학적으로 영감을 받은 알고리즘들이 이미지 프로세싱과 데이터 마이닝, 자연 언어 처리, 그리고 계산과 혼동하는 경향이 있는 인공 지능을 포함한다.알 지능. 그러나 컴퓨터 인텔리전스(CI)와 인공지능(AI) 모두 비슷한 목표를 추구하지만, 그것들[according to whom?][citation needed] 사이에는 분명한 구분이 있다.

그러므로 컴퓨터 지능은 인간처럼[citation needed] 행동하는 방법이다. 실제로 '지능'의 특징은 대개 인간에게 귀속된다[by whom?]. 최근에는 많은 제품과 항목도 추리와 의사결정과[further explanation needed] 직결되는 속성인 "지능적"이라고 주장한다.

역사

출처:[5] 컴퓨팅 인텔리전스의 개념은 1990년 IEEE 신경망 위원회에서 처음 사용되었다. 이 협의회는 1980년대에 생물학적, 인공적 신경망 개발에 관심이 있는 연구자들에 의해 설립되었다. 2001년 11월 21일 IEEE 신경망 협의회가 IEEE 신경망 협회가 되어, 2011년 컴퓨터 인텔리전스와 관련된 퍼지 시스템, 진화 연산 등 새로운 관심 분야를 포함시켜 2년 후 IEEE 컴퓨터 인텔리전스 협회가 되었다(도테와 오바스카).

하지만 전산 정보 기관의 가장 명백한 첫번째 정의 Bezdek 1994년으로, 수치 자료와 같은 낮은 수준의 데이터에 대해 다루는 시스템 computationally 지적, pattern-recognition적인 요소를 가지고 있고 AI의미에서 지식을 사용하지 않으며 덧붙였을 때 계산 adaptively,을 보여 주기 시작한다라고 불린다[1]소개되었다. fau이 공차, 인간다운 전환에 접근하는 속도, 그리고 인간의 성과에 근접한 오류율.

베즈덱과 마크스(1993)는 첫 번째는 소프트 컴퓨팅 방식이고, AI는 하드 컴퓨팅 방식을 기반으로 한다고 주장해 AI와 분명히 차별화했다.

컴퓨팅과 인공지능의 차이점

인공지능과 컴퓨터지능은 비슷한 장기적 목표를 추구하지만, 인간이 할 수 있는 어떤 지적 작업을 수행할 수 있는 기계의 지능인 일반적 지능에 도달한다. 그것들 사이에는 분명한 차이가 있다. 베즈덱(1994년)에 따르면 컴퓨터 인텔리전스는 인공지능의 서브셋이다.

머신 인텔리전스에는 하드 컴퓨팅 기법을 기반으로 한 인공 지능과 소프트 컴퓨팅 방법을 기반으로 한 컴퓨터 지능의 두 종류가 있어 여러 가지 상황에 적응할 수 있다.

하드 컴퓨팅 기법은 현대 컴퓨터의 기반이 되는 두 가지 값(볼리언스 참 또는 거짓, 0 또는 1)에 근거한 이진 논리에 따라 작동한다. 이 논리의 한 가지 문제는 우리의 자연어가 항상 0과 1이라는 절대 용어로 쉽게 번역될 수 없다는 점이다. 퍼지 논리에 기반을 둔 소프트 컴퓨팅 기법이 여기에서 유용할 수 있다.[6] 부분적인 진실(크리스프/퍼지 시스템)에 데이터를 취합하여 인간의 두뇌가 작용하는 방식에 훨씬 더 가까운 이 논리는 CI의 주요 배타적 측면 중 하나이다.

퍼지 및 이항 로직의 동일한 원리 내에서 바삭하고 퍼지 시스템을 따른다.[7] 아삭아삭한 논리는 인공지능 원리의 일부분으로, 퍼지 시스템(CI)은 원소를 세트에 포함시키거나 포함하지 않거나 둘 중 하나로 구성된다. 이 논리에 따라 각 요소에는 멤버십 정도(0부터 1)를 부여할 수 있으며, 이 두 값 중 하나만 부여할 수는 없다.[8]

CI와 그 적용의 5대 원칙

Computing Intelligence의 주요 애플리케이션으로는 컴퓨터 과학, 엔지니어링, 데이터 분석, 바이오 의학 등이 있다.

퍼지 논리

앞에서 설명했듯이, CI의 주요 원칙 중 하나인 퍼지 논리는 실제 삶의 복잡한 프로세스를 위해 만들어진 측정과 프로세스 모델링으로 구성된다.[3] 그것은 불완전성에 직면할 수 있으며, 가장 중요한 것은 프로세스 모델에서 데이터에 대한 무지를 부정적으로, 정확한 지식이 필요한 인공지능에 직면할 수 있다.

이 기법은 제어, 이미지 처리 및 의사 결정과 같은 광범위한 영역에 적용되는 경향이 있다. 그러나 세탁기, 전자레인지 등이 있는 가전 분야에서도 잘 소개되고 있다. 우리는 비디오 카메라를 사용할 때, 카메라를 흔들리지 않고 잡으면서 이미지를 안정시키는 데 도움을 줄 수 있다. 의료 진단, 외환 거래, 사업 전략 선택과 같은 다른 분야는 이 원칙의 적용 횟수와 별개다.[1]

퍼지 논리는 주로 근사적인 추론에 유용하며,[1] 인간이 많이 필요로 하는 자격인 학습 능력을 가지고 있지 않다.[citation needed] 그것은 그들이 이전의 실수로부터 배우면서 그들 자신을 향상시킬 수 있게 해준다.

신경망

CI 전문가들이 정보를 처리하는 세포 본체, 신호 수행을 가능하게 하는 장치인 액손, 신호를 제어하는 시냅스 등 3가지 주요 구성요소로 정의할 수 있는 생물학적 신경망을 기반으로 인공신경망 개발에 힘쓰는 이유다. 따라서 인공신경망은 분산된 정보처리 시스템으로 도트되어 있어 [9]그 과정과 경험적 데이터로부터의 학습이 가능하다. 인간처럼 일하는 내결함성도 이 원칙의 주요 자산 중 하나이다.[1]

그것의 어플리케이션에 관하여, 신경 네트워크는 데이터 분석과 분류, 연관 메모리, 패턴의 클러스터링 생성과 제어의 다섯 그룹으로 분류될 수 있다.[1] 일반적으로 이 방법은 의료 데이터를 분석 및 분류하고, 대면 및 부정 행위 감지를 진행하며, 가장 중요한 것은 이를 통제하기 위해 시스템의 비선형성을 다루는 것이다.[10] 더욱이 신경망 기법은 데이터 클러스터링을 가능하게 하는 이점을 퍼지 논리 기법과 공유한다.

진화 연산

찰스 로버트 다윈이 처음 도입한 자연 선택 과정을 바탕으로 진화 연산은 자연 진화의 강점을 활용해 새로운 인위적 진화 방법론을 이끌어내는 데 구성된다.[11][page needed] 또한 진화 전략, 그리고 문제 해결자로 보이는 진화 알고리즘과 같은 다른 영역도 포함하고 있다... 이 원칙의 주요 적용 분야는 최적화, 다중 객관적 최적화 등 분야로, 기존의 수학적 한 기법이 더 이상 DNA 분석, 스케줄링 문제 등 광범위한 문제에 적용하기에 충분하지 않다.[1]

학습이론

아직도 인간의 그것과 가까운 "합리화" 방법을 찾고 있지만, 학습 이론은 CI의 주요 접근법 중 하나이다. 심리학에서 학습은 인지적, 정서적, 환경적 영향과 경험을 한데 모아 지식, 기술, 가치관, 세계관을 획득, 강화 또는 변화시키는 과정이다(Ormrod, 1995; Illeris, 2004).[1] 그런 다음 이론을 학습하면 이러한 효과와 경험이 어떻게 처리되는지를 이해하는 데 도움이 되고, 그 후 이전 경험을 바탕으로 예측을 하는 데 도움이 된다.[12]

확률론적 방법

퍼지 논리의 주요 요소 중 하나인 확률론적 방법은 폴 에르도스와 조엘 스펜서[1](1974)에 의해 처음 소개되었으며, 주로 무작위로 정의되는 계산 인텔리전트 시스템의 결과를 평가하는 것을 목표로 한다.[13] 따라서 확률론적 방법은 사전 지식을 바탕으로 문제에 대한 가능한 해결책을 제시한다.

대학교육에 미치는 영향

서지학 연구에 따르면, 컴퓨터 지능은 연구에서 중요한 역할을 한다.[14] 모든 주요 학술 출판사들은 퍼지 논리, 신경망, 진화적 계산의 조합이 논의되는 원고를 받아들이고 있다. 반면에, 컴퓨터 지능은 대학 교육과정에서는 이용할 수 없다.[15] 한 강좌에 수강할 수 있는 기술대학의 수는 제한되어 있다. 브리티시 컬럼비아, 도르트문트 공과대학(유럽 퍼지 붐에 관여), 조지아 남부대학만이 이 영역의 강좌를 개설하고 있다.

주요 대학이 화두를 외면하는 이유는 자원이 없기 때문이다. 기존의 컴퓨터 과학 과정은 너무 복잡해서 학기 말에 모호한 논리의 여지가 없다.[16] 기존 도입 과정에서는 하위 프로젝트로 가르치는 경우도 있지만, 대부분의 경우 대학들은 부울논리에 기반한 고전 AI 개념, 튜링머신, 블록월드 같은 장난감 문제 등을 주제로 한 강좌를 선호하고 있다.

한동안 STEM 교육이 활성화되면서 상황이 조금 달라졌다.[17] 학생이 복잡한 적응 시스템을 이해할 수 있도록 다원적 접근방식을 선호하는 몇 가지 노력이 있다.[18] 이러한 목표들은 이론적인 기초 위에서만 논의된다. 실제 대학의 커리큘럼은 아직 적응하지 않았다.

출판물

참고 항목

메모들

  • 컴퓨터 인텔리전스: 안드리스 엥겔브레히트의 소개. 와일리 & 선즈. ISBN0-470-84870-7
  • 컴퓨터 인텔리전스: 데이비드 풀, 앨런 맥워스, 랜디 괴벨의 논리적 접근. 옥스퍼드 대학교 출판부 ISBN 0-19-510270-3
  • 컴퓨터 인텔리전스: Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Hold, 2013, Springer, ISBN 9781447150121의 방법론적 소개

참조

  1. ^ a b c d e f g h i j k Siddique, Nazmul; Adeli, Hojjat (2013). Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. John Wiley & Sons. ISBN 978-1-118-53481-6.
  2. ^ Rutkowski, Leszek (2008). Computational Intelligence: Methods and Techniques. Springer. ISBN 978-3-540-76288-1.
  3. ^ a b "Fuzzy Logic". WhatIs.com. Margaret Rouse. July 2006.
  4. ^ Beni, G, Wang, J. Gram Intelligence in Cellar Robot Systems, 진행. 이탈리아 투스카니에서 6월 26~30일 (1989년) 로봇 및 생물 시스템에 대한 NATO 고급 워크샵
  5. ^ "IEEE Computational Intelligence Society History". Engineering and Technology history Wiki. July 22, 2014. Retrieved October 30, 2015.
  6. ^ "Artificial Intelligence, Computational Intelligence, SoftComputing, Natural Computation - what's the difference? - ANDATA". www.andata.at. Retrieved November 5, 2015.
  7. ^ "Fuzzy Sets and Pattern Recognition". www.cs.princeton.edu. Retrieved November 5, 2015.
  8. ^ R. 파이퍼. 2013. 5장: 퍼지 논리. "실제 컴퓨팅"에 대한 강의 노트 취리히 취리히의 대학교.
  9. ^ Stergiou, Christos; Siganos, Dimitrios. "Neural Networks". SURPRISE 96 Journal. Imperial College London. Archived from the original on December 16, 2009. Retrieved March 11, 2015.
  10. ^ Somers, Mark John; Casal, Jose C. (July 2009). "Using Artificial Neural Networks to Model Nonlinearity" (PDF). Organizational Research Methods. 12 (3): 403–417. doi:10.1177/1094428107309326. S2CID 17380352. Retrieved October 31, 2015.
  11. ^ De Jong, K. (2006). Evolutionary Computation:A Unified Approach. MIT Press. ISBN 9780262041942.
  12. ^ Worrell, James. "Computational Learning Theory: 2014-2015". University of Oxford. Presentation page of CLT course. University of Oxford. Retrieved February 11, 2015.
  13. ^ Palit, Ajoy K.; Popovic, Dobrivoje (2006). Computational Intelligence in Time Series Forecasting : Theory and Engineering Applications. Springer Science & Business Media. p. 4. ISBN 9781846281846.
  14. ^ NEES JAN VAN ECK and LUDO WALTMAN (2007). "Bibliometric Mapping of the Computational Intelligence Field". International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. World Scientific Pub Co Pte Lt. 15 (5): 625–645. doi:10.1142/s0218488507004911. hdl:1765/10073.
  15. ^ Minaie, Afsaneh and Sanati-Mehrizy, Paymon and Sanati-Mehrizy, Ali and Sanati-Mehrizy, Reza (2013). "Computational Intelligence Course in Undergraduate Computer Science and Engineering Curricula". Age. 23: 1.{{cite journal}}: CS1 maint : 복수이름 : 작성자 목록(링크)
  16. ^ Mengjie Zhang (2011). "Experience of Teaching Computational Intelligence in an Undergraduate Level Course [Educational Forum]". IEEE Computational Intelligence Magazine. Institute of Electrical and Electronics Engineers (IEEE). 6 (3): 57–59. doi:10.1109/mci.2011.941591.
  17. ^ Samanta, Biswanath (2011). Computational intelligence: a Tool for Multidisciplinary Education and Research. Proceedings of the 2011 ASEE Northeast Section Annual Conference, University of Hartford.
  18. ^ G.K.K. Venayagamoorthy (2009). "A successful interdisciplinary course on coputational intelligence". IEEE Computational Intelligence Magazine. Institute of Electrical and Electronics Engineers (IEEE). 4 (1): 14–23. doi:10.1109/mci.2008.930983.