Вычислительный интеллект
Вычислительный интеллект (англ. computational intelligence, CI) — это раздел информатики, охватывающий концепции, парадигмы, алгоритмы и реализации систем, предназначенных для демонстрации «интеллектуального» поведения в сложных и изменяющихся условиях[1]. Эти системы предназначены для решения сложных задач в различных технических или коммерческих областях: они способны распознавать и интерпретировать шаблоны, управлять процессами, поддерживать принятие решений или автономно перемещать транспортные средства и роботов в неизведанной среде[2]. Выделяющей чертой вычислительного интеллекта являются способности к обучению или адаптации к новым ситуациям, обобщению, абстрагированию, обнаружению и установлению взаимосвязей[3]. Ключевую роль при этом играют природоаналоговые или вдохновлённые природой методы, такие как нейроэволюция[1].
Подходы вычислительного интеллекта ориентированы главными образом на решение сложных задач из реального мира, для которых недоступны или неприемлемы традиционные математические средства моделирования: процессы либо недостаточно известны, слишком сложны для формализации, подвержены неопределённостям, неожиданным изменениям или случайны по своей природе. Таким образом, ВИ применяется к плохо определённым, нелинейным, изменяющимся во времени и/или стохастическим системам[4].
IEEE Computational Intelligence Society определяет вычислительный интеллект как «теорию, проектирование, применение и развитие вычислительных парадигм биологической и лингвистической мотивации. Традиционно к трём основным столпам ВИ относят нейронные сети, нечеткие системы и эволюционные вычисления. В настоящее время область дополнилась окружающим интеллектом, искусственной жизнью, культурным обучением, искусственными эндокринными сетями, социальным рассуждением и др. За последние годы наблюдается взрывной рост исследований в глубоком обучении, особенно в глубоких сверточных нейронных сетях, которые стали основой современных систем искусственного интеллекта (ИИ), многие из которых построены на методах ВИ»[5]. Однако, ВИ остаётся развивающейся областью, и его исчерпывающее определение, равно как и полный перечень концепций и парадигм, до сих пор не установлены[6].
Требования к построению «интеллектуальной системы» всегда сводятся к моделированию интеллектуального мышления и деятельности в определённой области применения. Знания о предметной области формализуются в виде модели для последующей обработки; качество конечной системы во многом определяется качеством этой модели. Иногда эффективны методы, основанные на данных, иногда — логические модели знаний; часто применяются гибридные подходы[2].
Современные учебники относят к вычислительному интеллекту следующие методы и парадигмы, взаимно дополняющие друг друга:[7][8][9][10][11][12][13]
- нечеткие системы;
- нейронные сети (в частности, сверточные нейронные сети);
- эволюционные вычисления (включая многокритериальную эволюционную оптимизацию);
- роевой интеллект;
- байесовские сети;
- искусственные иммунные системы;
- теория обучения;
- вероятностные методы.
Связь между жёсткими и мягкими вычислениями, искусственным и вычислительным интеллектом
Термин «искусственный интеллект» (ИИ; англ. artificial intelligence, AI) выступает в медиа, а также среди части специалистов как зонтичное понятие для смежных техник и ВИ[5]. Краэнен и Эйбен выделяют три подхода к определению ВИ:
- сопоставление ВИ с ИИ (относительное определение);
- рассмотрение основных понятий и их ролей в ВИ;
- перечисление областей, к которым он относится[14].
Взаимоотношения ВИ и ИИ — предмет постоянных дискуссий. Варианты трактовки включают:
- ВИ — альтернатива ИИ;
- ИИ включает ВИ;
- ВИ включает ИИ.
Л. А. Заде (основатель теории нечетких множеств) вводит различие между жёсткими (hard computing, HC) и мягкими вычислениями (soft computing, SC): первые лежат в основе ИИ, вторые — ВИ[16]. В жёстких вычислениях (а также ИИ) неточность и неопределённость считаются негативными характеристиками, тогда как мягкие вычисления (и ВИ) нацелены на работу с такими ситуациями[10]. Дополнительно, для ИИ характерно символьное представление знаний, а для ВИ — субсимвольное[13].
Жёсткие вычисления построены на принципах определённости, точности и детерминированности. Мягкие вычисления, напротив, воспроизводят особенности работы человеческого мозга с нечеткой, вероятностной информацией и допускают обработку больших объёмов данных приближённым образом, зачастую параллельно[17]. Многие методы ВИ, такие как глубокое обучение, по-прежнему затруднительны для формальной верификации результатов, что остаётся актуальной научной проблемой[17].
Оба термина (ИИ и ВИ) часто путают, а их смыслы изменялись и развивались несколько десятилетий, хотя изначально употреблялся ИИ[18]. Оба термина нередко используются в маркетинговых целях и СМИ, а также эмоционально окрашены по причине связи с человеческим интеллектом, при том что ясного определения интеллекта до сих пор нет[3].
История
В 1950 году Алан Тьюринг одним из первых попытался формализовать понятие машинного интеллекта, предложив тест Тьюринга для оценки способности компьютера к интеллектуальному поведению[19]. Сам термин «вычислительный интеллект» впервые появился в названии журнала в 1985 году[20]. С дальнейшим формированием IEEE Neural Networks Council (1989) и организованной им первой мировой конференцией по ВИ (1994), научное определение этого понятия уточнялось[21].
В настоящее время развитие методов машинного и глубокого обучения на базе различных подходов (контролируемое, неконтролируемое и обучение с подкреплением) существенно расширило возможности вычислительного интеллекта.
Основные алгоритмические подходы ВИ и их приложения
Основные области применения вычислительного интеллекта включают информатику, инженерию, анализ данных и биомедицину.
Нечёткая логика, в отличие от классической булевой логики, оперирует нечёткими множествами, где степень принадлежности элемента задается функцией принадлежности на отрезке [0, 1]. Полученная арифметика и логика позволяют моделировать процессы умозаключения и рассуждения над нечеткими/неточными данными[22]. Особенно эффективна нечёткая логика в задачах управления, обработки изображений, кластеризации и экспертиз, где отсутствует строгое определение понятий[23]. При этом, обучение как таковое в классической нечёткой логике отсутствует[24].
Системы на базе нечеткой логики применяются, в частности, в бытовой технике, автомобильных системах управления, видеотехнике (стабилизация изображения), медицине, космических технологиях и бизнес-стратегиях[25].
Искусственные нейронные сети (ИНС), вдохновлённые биологическими прототипами, построены из элементов, моделирующих нейроны и их связи. Они хорошо работают при распределённой обработке информации и способны к обучению на опыте[26]. Применения — анализ и классификация данных, ассоциативная и адресуемая память, кластеризация, генерация паттернов, управление. Преимущества: устойчивость к ошибкам, распознавание образов, способность к обучению[26].
ИНС применяются в медицине (диагностика), распознавании речи и изображений, интеллектуальном анализе данных, прогнозировании, управлении роботами, одобрении кредитов, обнаружении мошенничества и других областях[26]. Современные генеративные системы на базе глубокого обучения и сверточных сетей — такие как ChatGPT и DeepL — представляют новое направление использования ИНС.
Эволюционные вычисления — семейство методов глобальной оптимизации, имитирующих процессы естественной эволюции (генетические алгоритмы, эволюционные стратегии, генетическое программирование и др.)[27]. Эти методы особенно эффективны там, где нельзя построить чёткую математическую модель задачи[28]. Распределённость обработки популяции решений позволяет эффективно реализовывать параллельные варианты[29].
Роевой интеллект основывается на коллективном поведении децентрализованных, самоорганизующихся систем агентов. Взаимодействуя с соседями и средой, агенты формируют глобальное поведение без централизованного управления[30]. Основные представители — алгоритмы оптимизации роя частиц и имитации колонии муравьёв, применяемые в численной и комбинаторной оптимизации[31].
Байесовские сети позволяют представлять и обрабатывать неопределённые знания в сложных задачах. Это вероятностные графические модели, где зависимые случайные величины связаны ориентированным ациклическим графом. Такие сети широко используются в медицинской диагностике, управлении рисками, информационном поиске и автоматической классификации текстов[32].
Искусственные иммунные системы — класс популяционных метаэвристик, вдохновлённых работой иммунной системы позвоночных. Используя аналогии с репликацией и мутацией лимфоцитов, системы способны к самообучению и адаптации[33]. Применения включают кластеризацию, оптимизацию, моделирование процессов, обнаружение аномалий и кибербезопасность.
Теория обучения изучает формальные аспекты приобретения знаний и навыков при взаимодействии с окружающей средой. Психологические, когнитивные и информационные процессы объединяются для моделирования способности делать выводы и прогнозировать будущие события на основе предыдущего опыта[34].
Вероятностные методы, впервые введённые П. Эрдёшем и Д. Спенсером, позволяют оценивать результаты работы вычислительных систем при наличии случайности. Такие методы находят возможные решения на основе априорной информации и используются для моделирования и анализа неопределённости[35].
Значение в университетском образовании
Согласно библиометрическим исследованиям, вычислительный интеллект играет ключевую роль в современной научной работе[36]. Тем не менее, учебные курсы по ВИ встречаются редко и ограничены несколькими вузами[37]. Чаще темы ВИ рассматриваются в составе общих курсов по информатике (обычно как факультатив или часть теоретических дисциплин, связанных с ИИ, булевой логикой и моделированием).
С развитием STEM-образования отмечаются положительные сдвиги: мультидисциплинарные подходы способствуют освоению теории сложных адаптивных систем студентами разных профилей[38].
Основные издания
- IEEE Transactions on Neural Networks and Learning Systems
- IEEE Transactions on Fuzzy Systems
- IEEE Transactions on Evolutionary Computation
- IEEE Transactions on Emerging Topics in Computational Intelligence
- IEEE Transactions on Autonomous Mental Development
- IEEE/ACM Transactions on Computational Biology and Bioinformatics
- IEEE Transactions on Computational Intelligence and AI in Games
- Applied Computational Intelligence and Soft Computing
Примечания
Литература
- Computational Intelligence: An Introduction / Andries Engelbrecht. Wiley & Sons. ISBN 0-470-84870-7.
- Computational Intelligence: A Logical Approach / David Poole, Alan Mackworth, Randy Goebel. Oxford University Press. ISBN 0-19-510270-3.
- Computational Intelligence: A Methodological Introduction / Kruse, Borgelt, Klawonn, Moewes, Steinbrecher, Held. Springer, 2013. ISBN 9781447150121.