בינה חישובית

מתוך ויקיפדיה, האנציקלופדיה החופשית
קפיצה לניווט קפיצה לחיפוש

בינה חישוביתאנגלית: Computational Intelligence) הוא מונח המתייחס ליכולת של מחשב ללמוד משימה ספציפית מנתונים או מתצפיות ניסיוניות. למרות ששם זה נחשב בדרך כלל כמילה נרדפת של מחשוב רך, עדיין אין הגדרה מקובלת לערך של בינה חישובית.

בינה חישובית היא סדרה של שיטות וגישות ממוחשבות בהשראת הטבע אשר מתמודדות עם בעיות מורכבות של העולם האמיתי, בהם מודלים מתמטיים או מסורתיים יכולים להיות חסרי תועלת בשל כמה סיבות: התהליכים עשויים להיות מורכבים מדי עבור חשיבה מתמטית, ייתכן שמהלך התהליך מכיל חוסר ודאות, או שזהו תהליך סטוכסטי בטבע.[1] ואכן, בעיות רבות מהחיים האמיתיים לא יכולות להיות מתורגמות לשפה הבינארית (ערכים ייחודיים של 0 ו-1) עבור מחשבים, על מנת שיוכלו לעבד אותם. ולכן, בינה חישובית מספקת פתרונות עבור בעיות כאלה.

השיטות המיושמות קרובות לאופן החשיבה של האדם, כלומר, השיטה יכולה להשתמש בידע מדויק ולא שלם, ומסוגלת לייצר פעולות שליטה בצורה הסתגלותית. ולכן, בינה חישובית עושה שימוש בשילוב של חמש טכניקות משלימות.[1] לוגיקה עמומה מאפשרת למחשב להבין שפה טבעית[2][3], רשתות עצביות מלאכותיות המאפשרות למערכת ללמוד נתונים באמצעות הפעלה ביולוגית, מחשוב אבולוציוני – אשר מבוסס על התהליך של ברירה טבעית, תאוריית למידה, ושיטות הסתברותיות אשר מסייעת להתמודדות עם חוסר דיוק ואי ודאות.[1]

פרט לעקרונות המרכזיים הללו, קיימות גישות פופולריות וביניהן אלגוריתמי השראה ביולוגית כגון: אינטליגנציית נחיל[4] ומערכת חיסונית מלאכותית – אשר ניתן לראות כחלק חישוב אבולוציוני, עיבוד תמונה, כריית מידע, עיבוד שפה טבעית, ובינה מלאכותית – אשר נוטה להתבלבל עם הבינה חישובית. אולם, אף על פי שבינה חישובית ובינה מלאכותית בעלי מטרות דומות, יש הבחנה ברורה ביניהם.

בינה חישובית היא אפוא דרך ביצוע כמו בני אדם. כמו כן, המאפיין של "בינה" מיוחס בדרך כלל לבני אדם. לאחרונה, הרבה מוצרים ופריטים גם מתיימרים להיות "חכמים", תכונה אשר קשורה ישירות בהתהוות החשיבה וקבלת החלטות.

היסטוריה[עריכת קוד מקור | עריכה]

ברעיון של בינה חישובית נעשה שימוש לראשונה על ידי IEEE בשנת 1990[5]. מועצה זו הוקמה במקור בשנת 1980 על ידי קבוצת חוקרים שהיו מעוניינים בפיתוח של רשתות עצביות ביולוגיות ומלאכותיות. ב-21 בנובמבר 2001, מועצת הרשתות העצביות IEEE הפכה לאיגוד הרשתות העצבית IEEE, ולבסוף, שנתיים לאחר מכן, הפכה לאיגוד בינה חישובית IEEE על ידי הכללה של תחומי עניין חדשים כגון מערכות בעלות לוגיקה עמומה וחישוב אבולוציוני, אשר התייחסו לבינה חישובית בשנת 2011 (Dote and Ovaska).

ההבדל בין בינה חישובית לבינה מלאכותית[עריכת קוד מקור | עריכה]

למרות שבינה מלאכותית ובינה חישובית בעלות מטרה דומה ארוכת טווח: להגיע לבינה מלאכותית חזקה, המהווה את האינטליגנציה של המכונה אשר יכולה לבצע כל משימה אינטלקטואלית שבן אדם יכול; יש הבדל ברור ביניהם. לדברי בזדק (Bezdek 1994), בינה חישובית היא קבוצת משנה של בינה מלאכותית. ישנם שני סוגים של אינטליגנציה ממוחשבת: המלאכותית אשר מבוססת על טכניקות מחשוב קשות, ואילו החישובית מבוססת על טכניקות מחשוב רכות – המאפשרות הסתגלות למצבים רבים.

טכניקות מחשוב קשות עובדות באמצעות היגיון בינארי המבוסס על שני ערכים בלבד (ערך בוליאני של אמת או שקר, 0 או 1) שעליה מבוססים המחשבים המודרניים. קיימת בעיה עם היגיון - השפה הטבעית שלנו לא תמיד יכולה להיות מתורגמת בקלות לתוך במונחים אבסולוטיים של 0 ו-1. טכניקות מחשוב רכות, המבוססת על לוגיקה עמומה יכולות להועיל כאן.[6] טכניקות אלה פועלות בצורה דומה לאופן שבו המוח האנושי עובד על ידי עיבוד נתונים שהם בחלקם אמיתיים (קריספ / לוגיקה עמומה), ההיגיון הזה הוא אחד ההיבטים הבלעדיים הראשיים של בינה חישובית.

בתוך אותם העקרונות של לוגיקה עמומה ובינארית, עוקבות מערכות קריספ ומערכות לוגיקה עמומה.[7] היגיון קריספ הוא חלק מעקרונות בינה מלאכותית אשר מורכב מאפשרות של הכללת אלמנט בסדרה או אי הכללתו כלל, בעוד מערכת לוגיקה עמומה מאפשרת הכללה חלקית של אלמנטים בסדרה. בעקבות ההיגיון הזה, כל אלמנט יכול להיות מדורג (בין 0 ל -1) ולא באופן בלעדי לאחד משני ערכים אלה.[8]

חמשת העקרונות המרכזיים של בינה חישובית ושימושיו[עריכת קוד מקור | עריכה]

השימושים העיקריים של בינה חישובית כוללים מדעי המחשב, הנדסה, ניתוח נתונים וביורפואה.

לוגיקה עמומה[עריכת קוד מקור | עריכה]

כפי שהוסבר קודם לכן, לוגיקה עמומה היא אחת העקרונות המרכזיים של בינה חישובית, היא מורכבת ממדידות וממידול תהליכים אשר נבנו עבור תהליכים מורכבים של חיי היום יום.[3] המודל יודע להתמודד עם אי שלמות של נתונים, והכי חשוב חוסר של נתונים במודל תהליך, בניגוד לבינה מלאכותית, המחייבת ידע מדויק.

טכניקה זו מתאימה למגוון רחב של תחומים כגון בקרה, עיבוד תמונה וקבלת החלטות. אומנם, היא גם מקובלת בתחום של מכשירי חשמל ביתיים כגון: מכונות כביסה, תנורי מיקרוגל וכדומה. אנו יכולים להיתקל בטכניקה זו גם בעת שימוש במצלמת וידאו, כאשר המצלמה משתמשת במייצב העוזר לה לייצב את התמונה במצבים של חוסר יציבות. גם בתחומים אחרים כגון: אבחון רפואי, מסחר במטבע חוץ וגיוס אסטרטגיה עסקית – גם חלק מעיקרון של יישום טכניקה זו.[1]

לוגיקה עמומה שימושית בעיקר עבור סיבה מקורבת לבעיה, ואין לה יכולת למידה עצמית,[1] תכונה שיש לבני האדם, המאפשרת לשפר את עצמם על ידי למידה מהטעויות הקודמות שלהם.

רשתות עצביות[עריכת קוד מקור | עריכה]

זו הסיבה שבגללה מומחי בינה חישובית החלו לעבוד על הפיתוח של רשתות עצביות מלאכותיות המבוססות על רשתות עצביות ביולוגיות, אשר יכולות להיות מוגדרות על ידי 3 מרכיבים עיקריים: תא-גוף אשר מעבד את המידע, האקסון - התקן המאפשר עריכה של האות, והסינפסה אשר שולטת באותות. לכן, רשתות עצביות מלאכותיות הן יחידות של מערכות עיבוד מידע מבוזר,[9] מה שמאפשר את התהליך ואת הלמידה מנתונים חווייתיים. עבודה כמו בני אדם ועמידות בפני תקלות הן בין הנכסים העיקריים של עיקרון זה.[1]

בדבר שימושה של רשת עצבית, ניתן לסווג רשתות עצביות לחמש קבוצות: ניתוח וסיווג נתונים, זיכרון אסוציאטיבי, דור אשכולות של דפוסים ושליטה.[1] באופן כללי, שיטה זו שואפת לנתח ולסווג מידע רפואי, להתקדם לזיהוי פנים וגילוי הונאות, והכי חשוב להתמודד עם מערכות לא ליניאריות על מנת לשלוט בהן.[10] יתר על כן, טכניקות של רשתות עצביות בשיתוף עם לוגיקה עמומה נותנת את היתרון של ניתוח אשכולות.

חישוב אבולוציוני[עריכת קוד מקור | עריכה]

בהתבסס על התהליך של הברירה הטבעית שהוצגה לראשונה על ידי צ'ארלס רוברט דרווין, חישוב אבולוציוני מורכב מניצול הכוח של התפתחות טבעית כדי להעלות מתודולוגיות אבולוציוניות מלאכותיות חדשות.[11] זה כולל גם בתחומים אחרים כגון אסטרטגיית אבולוציה ואלגוריתמים אבולוציוניים אשר נתפסים כפותרי בעיות. השימושים העיקריים של עיקרון זה מכסים תחומים כגון אופטימיזציה ואופטימיזציה רבת יעדים, שאליהן טכניקות מתמטיות מסורתיות אינן מספיקות ליישום על מגוון רחב של בעיות כגון ניתוח דנ"א, בעיות תזמון.[1]

לימוד תאוריה[עריכת קוד מקור | עריכה]

בחיפוש אחר דרך "הסקה" הקרובה לזו של בני האדם, תאוריית למידה היא אחת הגישות העיקריות של בינה חישובית. בפסיכולוגיה, למידה היא התהליך של קירוב קוגניטיביות, תופעות וחוויות רגשיות וסביבתיות על מנת לרכוש, לשפר או לשנות ידע, מיומנויות, ערכים ותפיסות עולם[1] (Ormrod, 1995; Illeris, 2004). לימוד תאוריות מסייעת להבנה של אופן עיבוד תופעות וחוויות אלה, ולאחר מכן מסייעת לביצוע תחזיות על סמך ניסיון קודם.[12]

שיטות הסתברותיות[עריכת קוד מקור | עריכה]

בהיותה אחת מן המרכיבים העיקריים של לוגיקה עמומה, שיטה הסתברותית הוצגה לראשונה על ידי פאול ארדש וג'ואל ספנסר[1] (1974). מטרתה היא להעריך את התוצאות של מערכת בינה חישובית, שברובה הוגדרה בצורה אקראית.[13] לפיכך, שיטות הסתברותיות מביאות פתרונות אפשריים - המבוססים על ידע קודם, לבעיות הדורשות הנמקה.

ראו גם[עריכת קוד מקור | עריכה]

לקריאה נוספת[עריכת קוד מקור | עריכה]


הערות שוליים[עריכת קוד מקור | עריכה]

  1. ^ 1 2 3 4 5 6 7 8 9 10 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. ^ 1 2 "Fuzzy Logic". WhatIs.com. Margaret Rouse. יולי 2006. 
  4. ^ Beni, G., Wang, J. Swarm Intelligence in Cellular Robotic Systems, Proceed. NATO Advanced Workshop on Robots and Biological Systems, Tuscany, Italy, June 26–30 (1989)
  5. ^ "IEEE Computational Intelligence Society History". Engineering and Technology history Wiki. 22 ביולי 2014. בדיקה אחרונה ב-30 באוקטובר 2015. 
  6. ^ "Artificial Intelligence, Computational Intelligence, SoftComputing, Natural Computation - what's the difference? - ANDATA". www.andata.at. בדיקה אחרונה ב-5 בנובמבר 2015. 
  7. ^ "Fuzzy Sets and Pattern Recognition". www.cs.princeton.edu. בדיקה אחרונה ב-5 בנובמבר 2015. 
  8. ^ R. Pfeifer. 2013. Chapter 5: FUZZY Logic. Lecture notes on "Real-world computing". Zurich. University of Zurich.
  9. ^ Stergiou, Christos; Siganos, Dimitrios. "Neural Networks". SURPRISE 96 Journal (Imperial College London). אורכב מ-המקור ב-2009-12-16. בדיקה אחרונה ב-11 במרץ 2015. 
  10. ^ Somers, Mark John; Casal, Jose C. (יולי 2009). "Using Artificial Neural Networks to Model Nonlinearity". Organizational Research Methods 12 (3). doi:10.1177/1094428107309326. בדיקה אחרונה ב-31 באוקטובר 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. בדיקה אחרונה ב-11 בפברואר 2015. 
  13. ^ Palit, Ajoy K.; Popovic, Dobrivoje (2006). Computational Intelligence in Time Series Forecasting : Theory and Engineering Applications. Springer Science & Business Media. עמ' 4. ISBN 9781846281846.