Computergestützte Intelligenz

Was ist computergestützte Intelligenz?

Computergestützte Intelligenz (engl. Computational Intelligence, CI) ist ein Teilbereich der künstlichen Intelligenz (KI), der sich auf die Entwicklung von Biologie-inspirierten KI-Systemen konzentriert, die die Weise nachahmen können, wie Lebewesen in der natürlichen Welt komplexe Probleme lösen.

KI-Strategien werden häufig in Situationen eingesetzt, in denen regelbasierte oder statistische Ansätze des maschinellen Lernens (ML) nicht effektiv sind, weil die anstehenden Probleme nicht durch traditionelle lineare Algorithmen gelöst werden können.

	Künstliche Intelligenz (KI)	Computergestützte Intelligenz (CI)
Definition	Ein weites Feld der Informatik. Es befasst sich mit der Frage, wie Technologie zur Ergänzung der menschlichen Intelligenz und zur Erledigung von Aufgaben für Menschen eingesetzt werden kann.	Ein Teilbereich der künstlichen Intelligenz, der sich mit der Erforschung des menschlichen Lernens und der Art und Weise beschäftigt, wie Bienen und Ameisen – und andere soziale Wesen in der Natur – bei der Lösung komplexer Probleme kommunizieren und kooperieren.
Umfang	Umfasst ein breites Spektrum an Techniken und Strategien, einschließlich Entscheidungsbäumen und Empfehlungsmaschinen.	Konzentriert sich in erster Linie auf bestimmte Arten von Techniken und Strategien innerhalb der KI, wie Fuzzy-Logik und Schwarmintelligenz.
Lernansatz	Der Schwerpunkt liegt auf regelbasierten Lösungen und linearen maschinellen Lernalgorithmen.	Der Schwerpunkt liegt auf Deep Learning und Strategien, die zur Unterstützung generativer KI eingesetzt werden können.
Problemlösungs-schwerpunkt	Deckt ein breites Spektrum von Lösungen ab, die oft Statistik und Wahrscheinlichkeitsrechnung beinhalten.	Wird vor allem zur Lösung extrem komplexer Probleme mit einer großen Anzahl von Abhängigkeiten verwendet.

Arten von computergestützter Intelligenz

Das Konzept der computergestützten Intelligenz ist von biologischen Systemen und evolutionären Prozessen inspiriert.

In den letzten zehn Jahren haben die Forscher große Fortschritte bei der Anwendung mathematischer und programmtechnischer Prinzipien zur Nachahmung natürlicher Problemlösungsprozesse gemacht.

Zu den wichtigsten Verfahren im Bereich der Computational Intelligence gehören:

Neuronale Netze
Neuronale Netze sind von der Struktur und Funktion des menschlichen Gehirns inspiriert.

Sie bestehen aus miteinander verbundenen Knoten (Neuronen), die Daten verarbeiten und daraus lernen können.

Deep Learning, eine Untergruppe der neuronalen Netze, war in den letzten Jahren besonders einflussreich und führte zu bedeutenden Fortschritten bei neuen Arten von Deep Learning-Modellen für die Bilderkennung und die Verarbeitung natürlicher Sprache (NLP).

Fuzzy-Logik
Fuzzy-Logik, auch unscharfe Logik genannt, ist ein leistungsfähiges Werkzeug, mit dem Algorithmen auch dann eingesetzt werden können, wenn die herkömmliche binäre Logik die Nuancen und Unwägbarkeiten der Eingabedaten nicht erfassen kann.

In diesem Zusammenhang bedeutet „fuzzy“ so viel wie „vage oder ungenau“. Die Fuzzy-Logik geht mit Unsicherheiten um, indem sie zulässt, dass Variablen Wahrheitsgrade zwischen 0 und 1 haben.

Nach Abschluss der mathematischen Operationen werden die unscharfen Ergebnisse des Algorithmus „entschärft“, um präzise (scharfe) numerische Ergebnisse zu erhalten.

Evolutionäre Algorithmen
Evolutionäre Algorithmen sind eine Art von Optimierungsalgorithmus, der vom Prozess der natürlichen Selektion inspiriert ist.

Der Prozess beginnt mit der zufälligen oder heuristischen Erzeugung einer Population von potenziellen Lösungen, die als Kandidaten bezeichnet werden.

Ein Selektionsprozess bestimmt, welche Kandidaten als Eltern für die nächste Generation ausgewählt werden sollen. Der Algorithmus iteriert dann so lange durch die Generationen, bis eine Abbruchbedingung erfüllt ist.

Zu den üblichen Abbruchbedingungen gehören das Erreichen einer maximalen Anzahl von Generationen, das Erzielen einer zufriedenstellenden Lösung oder die Einhaltung einer bestimmten Zeitspanne.

Schwarmintelligenz
Schwarmintelligenz ist vom kollektiven Verhalten einiger Tierarten wie Ameisen, Bienen und Vögeln inspiriert.

Diese Art der konnektiven Intelligenz simuliert die in natürlichen Schwärmen beobachtete Zusammenarbeit und Interaktion und passt die Ergebnisse auf der Grundlage des kollektiven Wissens der Gruppe an.

Schwarmintelligenz ist besonders nützlich für die Optimierung von Aufgaben in dynamischen Umgebungen, wenn es viele voneinander abhängige Variablen gibt.

Kognitive KI
Kognitive KI-Systeme sind so konzipiert, dass sie die Denkprozesse des menschlichen Gehirns nachahmen und Zusammenhänge verstehen.

Eines der wichtigsten Merkmale kognitiver KI-Systeme ist ihre Fähigkeit, in extrem großen Datenbeständen schnell Muster und Beziehungen zu erkennen und das Gelernte zur Lösung neuartiger Probleme in Echtzeit zu nutzen.

Entwicklungsorientierte KI
Entwicklungsorientierte KI-Systeme lassen sich von Lernprozessen inspirieren, die in der kindlichen Entwicklung beobachtet werden.

Ziel dieser Art von computergestützter KI ist die Schaffung von Systemen, die ein gewisses Maß an Domänenunabhängigkeit aufweisen können.

Im Wesentlichen beginnt diese Form der computergestützten KI mit einer geringen Menge an Wissen und Erfahrung und nutzt Interaktionen und Rückmeldungen, um im Laufe der Zeit neue Fähigkeiten und Kenntnisse zu erwerben.

Computational Intelligence Society

Die Computational Intelligence Society des Institute of Electrical and Electronics Engineers (IEEE) hat sich zum Ziel gesetzt, die Aufmerksamkeit auf die rechnerischen und theoretischen Aspekte der Nachahmung der Natur zur Lösung von Problemen zu lenken.

Laut der IEEE-Website wurde die Computational Intelligence Society (CIS) offiziell im Jahr 2004 gegründet. Zu den Kerntechnologien der CIS gehören neuronale, unscharfe und evolutionäre Berechnungen sowie hybride intelligente Systeme, die diese und andere verwandte Paradigmen kombinieren.