Computational intelligence ist ein Zweig der künstlichen Intelligenz, der sich mit dem Entwurf und der Untersuchung adaptiver, selbstorganisierender Systeme befasst, die Probleme durch Lernen, Evolution oder unscharfes Schließen lösen. Im Gegensatz zur klassischen symbolischen KI, die auf expliziten Regeln und Logik beruht, betont Computational intelligence Mechanismen, die von biologischen oder physikalischen Prozessen inspiriert sind, wie neuronale Netze, evolutionäre Algorithmen und Fuzzy-Logik. Das Feld entstand in den frühen 1990er Jahren als eigenständiges Forschungsgebiet, als das IEEE 1991 den Neural Networks Council gründete, der 2001 in IEEE Computational Intelligence Society umbenannt wurde.
Der Begriff gewann an Bedeutung, als Forscher versuchten, Arbeiten zu neuralen Netzen, Fuzzy-Systemen und evolutionärem Rechnen unter einem gemeinsamen Rahmen zu vereinen. Diese drei Säulen teilen einen Fokus auf Robustheit, Anpassungsfähigkeit und die Fähigkeit, mit Unsicherheit oder unvollständigen Informationen umzugehen. Methoden der Computational intelligence werden oft mit traditionellen algorithmischen Ansätzen kontrastiert, da sie kein Vorwissen über die Problemstruktur erfordern; stattdessen lernen sie aus Daten oder erkunden Lösungsräume iterativ.
Kernparadigmen
Das erste große Paradigma sind künstliche neuronale Netze, die von der Struktur biologischer Gehirne inspirierte Rechenmodelle darstellen. Diese Netze bestehen aus miteinander verbundenen Knoten (Neuronen), die Informationen über gewichtete Verbindungen verarbeiten. Das Training passt diese Gewichte mithilfe von Algorithmen wie Backpropagation an, das in den 1960er Jahren von Bernard Widrow und anderen popularisiert und in den 1980er Jahren verfeinert wurde. Modernes Deep Learning, ein Teilgebiet des maschinellen Lernens, stützt sich auf mehrschichtige neuronale Netze und hat Fortschritte in der Bilderkennung, der Verarbeitung natürlicher Sprache und beim Spielen vorangetrieben.
Das zweite Paradigma ist das evolutionäre Rechnen, das genetische Algorithmen, Evolutionsstrategien und genetische Programmierung umfasst. Diese Methoden imitieren die natürliche Selektion, indem sie eine Population von Kandidatenlösungen aufrechterhalten, Operatoren wie Mutation und Crossover anwenden und Überlebende anhand einer Fitnessfunktion auswählen. Pionierarbeit von Forschern in den 1960er und 1970er Jahren, wie John Holland und Ingo Rechenberg, legte den Grundstein, und das Feld wurde seitdem auf Optimierungsprobleme in Technik, Finanzen und Logistik angewendet.
Das dritte Paradigma ist die Fuzzy-Logik, die 1965 von Lotfi Zadeh eingeführt wurde. Fuzzy-Systeme verwenden Zugehörigkeitsfunktionen, die partielle Wahrheitswerte zwischen 0 und 1 ermöglichen und so das Schließen mit unpräzisen oder vagen Daten erlauben. Sie werden häufig in Steuerungssystemen eingesetzt, etwa in Haushaltsgeräten und industriellen Prozessen, wo sie eine glatte, menschenähnliche Entscheidungsfindung ermöglichen.
Beziehung zu maschinellem Lernen und Deep Learning
Computational intelligence überschneidet sich erheblich mit maschinellem Lernen, aber die beiden sind nicht synonym. Maschinelles Lernen konzentriert sich auf Algorithmen, die sich mit Erfahrung verbessern, oft unter Verwendung statistischer Methoden. Computational intelligence legt dagegen mehr Gewicht auf biologisch oder physikalisch inspirierte Mechanismen und umfasst oft nicht-gradientenbasierte Optimierung. Deep Learning, eine Teilmenge des maschinellen Lernens, die mehrschichtige neuronale Netze verwendet, ist seit den 2010er Jahren zu einer dominierenden Kraft innerhalb der Computational intelligence geworden, angetrieben durch Fortschritte in der Hardware und die Verfügbarkeit großer Datensätze.
Zu den wichtigsten Innovationen im Deep Learning gehört die Transformer-Architektur, die 2017 im Paper „Attention Is All You Need“ von Forschern wie Jakob Uszkoreit, Lukasz Kaiser und Niki Parmar eingeführt wurde. Transformer stützen sich auf Multi-Head-Attention und positionale Kodierung, um Sequenzen zu verarbeiten, und ermöglichten die Entwicklung von großen Sprachmodellen wie denen von OpenAI, Anthropic und Google DeepMind. Diese Modelle haben die Verarbeitung natürlicher Sprache und generative KI transformiert, repräsentieren jedoch nur eine Teilmenge der Techniken der Computational intelligence.
Anwendungen und Auswirkungen
Methoden der Computational intelligence werden in verschiedenen Branchen eingesetzt. In der Robotik verwenden Waymo und Tesla Autopilot neuronale Netze für Wahrnehmung und Entscheidungsfindung in autonomen Fahrzeugen. Im Gesundheitswesen integriert Intuitive Surgical maschinelles Lernen in chirurgische Roboter, und Commure wendet KI auf klinische Arbeitsabläufe an. Finanzinstitute nutzen evolutionäre Algorithmen für Portfoliooptimierung und Risikobewertung. Amazon Web Services und Microsoft Azure bieten cloudbasierte KI-Dienste an, die auf Techniken der Computational intelligence basieren, einschließlich spezialisierter Hardware wie AWS Trainium-Chips.
Im Hardwarebereich entwerfen Unternehmen wie AMD, Intel, NVIDIA und Qualcomm Prozessoren, die für Inferenz und Training neuronaler Netze optimiert sind. TSMC fertigt fortschrittliche Chips für diese Anwendungen, während Groq und SambaNova spezialisierte Beschleuniger entwickeln. Forschungseinrichtungen wie MIT CSAIL, Stanford AI Lab und Berkeley AI Research tragen grundlegende Arbeit bei, und Nokia Bell Labs und Xerox PARC haben historische Bedeutung in der frühen KI- und Computerforschung.
Herausforderungen und zukünftige Richtungen
Trotz der Erfolge steht die Computational intelligence vor mehreren Herausforderungen. Neuronale Netze sind oft undurchsichtig, was zu Bedenken hinsichtlich Interpretierbarkeit und Verzerrung führt. Forscher wie Melanie Mitchell und Joshua Tenenbaum plädieren für robustere und menschenähnlichere Lernmechanismen. Aleksander Madry untersucht adversariale Robustheit, während Anima Anandkumar an skalierbaren und effizienten Algorithmen arbeitet. Das Feld kämpft auch mit dem Energieverbrauch, was das Interesse an neuromorphem Computing und Modell-Pruning-Techniken weckt.
Zukünftige Richtungen umfassen hybride Systeme, die neuronale Netze mit symbolischem Schließen kombinieren, wie von Brendan Lake und Rafael Calvo erforscht. D-Wave und andere Quantencomputing-Unternehmen untersuchen quanteninspirierte Optimierung, die evolutionäre Algorithmen verbessern könnte. Während sich die Computational intelligence weiterentwickelt, werden ihre Methoden wahrscheinlich noch stärker in die Alltagstechnologie integriert, von Smartphones bis zu Cloud-Diensten.
Siehe auch
- Künstliche Intelligenz
- Maschinelles Lernen
- Neuronales Netz
- evolutionärer Algorithmus (nicht in der Liste, aber verwandt)
Referenzen
- Geschichte der IEEE Computational Intelligence Society
- Zadeh, L. (1965). Fuzzy sets. Information and Control.
- Vaswani, A. et al. (2017). Attention Is All You Need.