계산 지능
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
계산 지능(CI)은 1990년 처음 사용된 개념으로, 수치 데이터를 처리하고 패턴 인식 능력을 가지며 인공 지능(AI)과는 달리 지식을 사용하지 않는 지능형 시스템을 의미한다. 1994년 Bezdek은 계산 지능을 명확히 정의했으며, 소프트 컴퓨팅 방식을 기반으로 하는 AI의 하위 집합으로 간주된다. 주요 접근 방식으로는 퍼지 논리, 인공 신경망, 진화 연산, 학습 이론, 확률적 방법 등이 있으며, 컴퓨터 과학, 공학, 데이터 분석, 생의학 등 다양한 분야에 응용된다. 계산 지능은 학계에서 중요한 연구 분야로 부상했지만, 대학 커리큘럼에서는 충분히 다루어지지 않는 경향이 있다.
더 읽어볼만한 페이지
| 계산 지능 | |
|---|---|
| 개요 | |
| 종류 | 인공지능의 한 분야 |
| 목표 | 데이터 또는 실험적 관찰로부터 특정 작업을 학습하는 컴퓨터 시스템 개발 |
| 특징 | |
| 학습 방법 | 데이터 기반 학습, 신경망, 퍼지 로직, 진화 연산 등 다양한 방법론 활용 |
| 응용 분야 | 패턴 인식, 데이터 마이닝, 로봇 공학, 게임 등 다양한 분야에 적용 |
| 주요 방법론 | |
| 신경망 | 인간의 뇌 구조를 모방한 알고리즘 |
| 퍼지 로직 | 불확실하고 모호한 정보를 처리하는 데 유용한 논리 시스템 |
| 진화 연산 | 자연 선택과 유전 메커니즘을 모방한 최적화 기법 |
| 군집 지능 | 개체 간의 상호 작용을 통해 복잡한 문제를 해결하는 알고리즘 |
| 관련 분야 | |
| 인공지능 | 컴퓨터가 인간의 지능을 모방하도록 하는 기술 분야 |
| 기계 학습 | 컴퓨터가 명시적인 프로그래밍 없이 학습할 수 있도록 하는 기술 |
| 데이터 마이닝 | 대용량 데이터에서 유용한 정보를 추출하는 기술 |
2. 역사
계산 지능(CI)이라는 개념은 1990년 IEEE 신경망 협의회에서 처음 사용되었다. 이 협의회는 1980년대에 생물학적 및 인공 신경망 개발에 관심을 가진 연구 그룹에 의해 설립되었다.
2001년 11월 21일, IEEE 신경망 협의회는 IEEE 신경망 학회로 변경되었고, 2년 후에는 퍼지 시스템 및 진화 컴퓨팅과 같은 새로운 분야를 포함하여 IEEE 계산 지능 학회로 발전했다.[1] 1990년대에 CI는 주로 수치 데이터 처리, 패턴 인식을 중심으로 연구되었으며, 인간 수준의 처리속도와 낮은 오류율을 목표로 하였다는 내용은 하위 섹션에서 더 자세히 다루고 있으므로 삭제했다.
2. 1. 계산 지능의 정의
1994년 베즈덱(Bezdek)은 계산 지능 시스템을 다음과 같이 정의했다.[1]- 수치 데이터를 처리한다.
- 패턴 인식 구성 요소를 가진다.
- 계산적 적응성을 가진다.
- 결함 허용 능력이 있다.
- 인간과 유사한 처리 속도를 보인다.
- 인간의 성능에 근접하는 오류율을 나타낸다.
베즈덱과 마크스(Marks, 1993)는 계산 지능(CI)이 소프트 컴퓨팅 방법을 기반으로 하는 반면, 인공 지능(AI)은 하드 컴퓨팅 방법을 기반으로 한다고 구분했다.
2. 2. 인공 지능과의 차이점
계산 지능은 인공 지능의 하위 집합이지만, 기계 지능에는 하드 컴퓨팅 기술을 기반으로 하는 인공 지능과 소프트 컴퓨팅 방식을 기반으로 하는 계산 지능, 두 가지 유형이 있다. [6]하드 컴퓨팅 기술은 현대 컴퓨터의 기반이 되는 두 값(부울 참 또는 거짓, 0 또는 1)만을 기반으로 하는 이진 논리를 따른다. 이 논리의 한 가지 문제는 자연어를 항상 0과 1의 절대적인 용어로 쉽게 변환할 수 없다는 것이다. 퍼지 논리를 기반으로 하는 소프트 컴퓨팅 기술은 부분적인 진실에 데이터를 집계하여 인간의 뇌가 작동하는 방식과 훨씬 더 유사하게 작동하며, 계산 지능의 주요 독점적 측면 중 하나이다.[6]
퍼지 및 이진 ''논리''와 동일한 원칙 내에서, 선명하고 퍼지 ''시스템''이 따른다.[7] 선명 논리는 인공 지능 원칙의 일부이며, 집합에 요소를 포함하거나 포함하지 않는 것으로 구성되는 반면, 퍼지 시스템(계산 지능)은 요소가 부분적으로 집합에 포함되도록 한다. 이 논리에 따라 각 요소에 멤버십 정도(0에서 1까지)를 부여할 수 있으며, 이 두 값 중 하나만 독점적으로 사용할 수 있는 것은 아니다.[8]
IEEE 계산 지능 학회는 2004년에 (신경망 학회에서 개칭) 설립되었으며, IEEE 내에서도 가장 괄목할 만한 성장을 보이고 있다. IEEE 계산 지능 학회에서 정의하는 계산 지능의 주요 주제는 다음과 같다.
- 인공 신경망
- 퍼지 시스템
- 진화 컴퓨팅: 유전자 알고리즘, 유전자 프로그래밍
- 군집 지능: 입자 떼 최적화
Engelbrecht(2007)에 따르면, 퍼지 시스템, 신경망, 진화 계산, 군집 지능 및 인공 면역 시스템과 같은 인공 지능에 대한 계산 지능 접근 방식을 형성하기 위해 분류된 알고리즘은 "지능형 알고리즘"이라고 불린다. 이들은 논리, 연역적 추론, 전문가 시스템, 사례 기반 추론 및 기호 기계 학습 시스템과 함께 당시의 인공 지능 도구 세트를 형성했다. 오늘날에는 머신 러닝, 특히 딥 러닝이 광범위한 지도, 비지도 및 강화 학습 방식을 활용하면서, 참신한 지능형 접근 방식을 통해 인공 지능의 지형이 크게 개선되었다.
3. 주요 접근 방식 및 응용 분야
계산 지능은 컴퓨터 과학, 공학, 데이터 분석, 생의학 등 여러 분야에 응용된다. 주요 접근 방식으로는 퍼지 논리, 인공 신경망, 진화 연산, 학습 이론, 확률적 방법 등이 있다.
3. 1. 퍼지 논리
퍼지 논리는 계산 지능(CI)의 주요 원리 중 하나이며, 실제 복잡한 프로세스를 위해 수행되는 측정 및 프로세스 모델링으로 구성된다.[3] 이는 정확한 지식을 요구하는 인공 지능과 달리, 프로세스 모델에서 불완전성과 데이터의 무지를 처리할 수 있다.이 기술은 제어, 영상 처리 및 의사 결정과 같은 광범위한 영역에 적용된다. 또한 세탁기, 전자레인지 등 가전 제품 분야에도 잘 도입되어 있다. 비디오 카메라를 사용할 때도 이 기술을 접할 수 있는데, 카메라를 불안정하게 잡고 있을 때 이미지를 안정시키는 데 도움이 된다. 의료 진단, 외환 거래 및 비즈니스 전략 선택과 같은 다른 분야도 이 원리의 다양한 응용 분야에 포함된다.[1]
퍼지 논리는 주로 근사 추론에 유용하며, 인간이 가진 학습 능력은 부족하다. 이는 사람들이 이전의 실수로부터 배우면서 스스로를 개선할 수 있게 한다.
3. 2. 신경망
인공 신경망은 생물학적 뉴런에서 영감을 받아 데이터 분석 및 분류, 연관 기억, 패턴 클러스터링 생성, 제어 등에 활용된다.[1] 이는 정보를 처리하는 세포체, 신호 전달을 가능하게 하는 축삭, 신호를 제어하는 시냅스로 구성된다. 인공 신경망은 분산된 정보 처리 시스템을 갖추고 있어 경험적 데이터로부터 처리와 학습이 가능하다.[9] 인간처럼 작동하는 결함 허용 능력 또한 이 신경망의 주요 장점이다.[1]일반적으로 신경망은 의료 데이터를 분석 및 분류하고, 얼굴 및 사기 탐지를 수행하며, 시스템의 비선형성을 처리하여 제어한다.[10] 또한, 데이터 클러스터링을 가능하게 한다는 점에서 퍼지 논리 기술과 장점을 공유한다.
3. 3. 진화 연산
진화 연산은 후보 해의 개체군을 기반으로 하는 전역 최적화를 위한 방법 및 알고리즘의 한 종류이다. 이들은 생물학적 진화에서 영감을 얻었으며, 종종 진화 알고리즘으로 요약된다.[11] 여기에는 유전자 알고리즘, 진화 전략, 유전자 프로그래밍 등이 포함된다.[12] 이들은 전통적인 수학적 방법으로는 해결할 수 없는 문제에 대한 문제 해결사로 간주되며, 다목적 최적화를 포함한 최적화에 자주 사용된다.[13][14]3. 4. 학습 이론
학습 이론은 인간의 "추론" 방식에 근접한 방식을 찾기 위한 CI의 주요 접근 방식 중 하나이다. 심리학에서 학습은 지식, 기술, 가치 및 세계관을 습득, 향상 또는 변화시키는 과정으로, 인지적, 정서적, 환경적 영향과 경험을 통합한다.[1] 학습 이론은 이러한 영향과 경험이 어떻게 처리되는지 이해하고, 이전 경험을 바탕으로 예측하는 데 도움을 준다.[15]3. 5. 확률적 방법
확률적 방법은 퍼지 논리의 주요 요소 중 하나이며, 폴 에르도스와 조엘 스펜서가 1974년에 처음 소개하였다. 이 방법은 주로 무작위성으로 정의되는 계산 지능 시스템의 결과를 평가하는 것을 목표로 한다.[16] 따라서 확률적 방법은 사전 지식을 기반으로 문제에 대한 가능한 해결책을 제시한다.4. 학계의 영향
계량서지학 연구에 따르면, 계산 지능은 연구에서 핵심적인 역할을 한다.[17] 모든 주요 학술 출판사는 퍼지 논리, 신경망, 진화 컴퓨팅의 조합을 논의하는 원고를 수용하고 있다.
4. 1. 대학 교육 현황
계산 지능은 대학 커리큘럼에서 충분히 다뤄지지 않고 있다.[18] 관련 강좌를 수강할 수 있는 공과대학은 제한적이다. 브리티시컬럼비아 대학교, 도르트문트 공과대학교(유럽 퍼지 붐에 참여), 조지아 서던 대학교만이 이 분야의 강좌를 제공하고 있다.주요 대학들이 이 주제를 무시하는 이유는 자원이 부족하기 때문이다. 기존의 컴퓨터 과학 강좌는 너무 복잡해서 학기 말에는 퍼지 논리를 다룰 여유가 없다.[19] 때로는 기존의 입문 강좌에서 하위 프로젝트로 가르치기도 하지만, 대부분 대학은 부울 논리, 튜링 머신, 블록 세계와 같은 장난감 문제를 기반으로 하는 고전적인 AI 개념에 대한 강좌를 선호하고 있다.
4. 2. STEM 교육과의 연계
STEM 교육의 부상과 함께, 여러 학문 분야를 아우르는 다학제적 접근 방식을 통해 학생들이 복잡 적응 시스템을 이해할 수 있도록 하는 노력이 이루어지고 있다.[20][21] 그러나 이러한 목표는 이론적인 수준에서만 논의되고 있으며, 실제 대학의 커리큘럼에는 아직 적용되지 않고 있다.5. 관련 학회 및 학술지
IEEE 계산 지능 학회는 2004년에 신경망 학회에서 개칭되어 설립되었다.[1] IEEE 내에서도 가장 괄목할 만한 성장을 보이고 있는 학회이다.[1] IEEE 계산 지능 학회가 정의하는 계산 지능의 주요 주제는 인공 신경망, 퍼지 시스템, 진화 컴퓨팅(유전자 알고리즘, 유전자 프로그래밍), 군집 지능(입자 떼 최적화) 등이다.[1]
관련 학술지는 다음과 같다.[1]
- ''신경망 및 학습 시스템에 관한 IEEE 트랜잭션''
- ''퍼지 시스템에 관한 IEEE 트랜잭션''
- ''진화 컴퓨팅에 관한 IEEE 트랜잭션''
- ''계산 지능의 새로운 주제에 관한 IEEE 트랜잭션''
- ''자율 정신 개발에 관한 IEEE 트랜잭션''
- ''계산 생물학 및 생물정보학에 관한 IEEE/ACM 트랜잭션''
- ''게임의 계산 지능 및 AI에 관한 IEEE 트랜잭션''
- ''나노바이오사이언스에 관한 IEEE 트랜잭션''
- ''정보 포렌식 및 보안에 관한 IEEE 트랜잭션''
- ''감성 컴퓨팅에 관한 IEEE 트랜잭션''
- ''스마트 그리드에 관한 IEEE 트랜잭션''
- ''나노기술에 관한 IEEE 트랜잭션''
- ''IEEE 시스템 저널''
참조
[1]
서적
Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing
John Wiley & Sons
[2]
서적
Computational Intelligence: Methods and Techniques
Springer
[3]
웹사이트
Fuzzy Logic
http://whatis.techta[...]
Margaret Rouse
2006-07
[4]
서적
Robots and Biological Systems: Towards a New Bionics?
1993
[5]
웹사이트
IEEE Computational Intelligence Society History
http://ethw.org/IEEE[...]
2014-07-22
[6]
웹사이트
Artificial Intelligence, Computational Intelligence, SoftComputing, Natural Computation - what's the difference? - ANDATA
http://www.andata.at[...]
2015-11-05
[7]
웹사이트
Fuzzy Sets and Pattern Recognition
http://www.cs.prince[...]
2015-11-05
[8]
문서
Chapter 5: FUZZY Logic
2013
[9]
학술지
Neural Networks
http://www.doc.ic.ac[...]
Imperial College London
2015-03-11
[10]
학술지
Using Artificial Neural Networks to Model Nonlinearity
http://leeds-faculty[...]
2009-07
[11]
서적
Evolutionary Computation: A Unified Approach.
https://ieeexplore.i[...]
MIT Press
[12]
서적
Introduction to Evolutionary Computing
https://link.springe[...]
Springer
2015
[13]
서적
Evolutionary Computation: A Unified Approach
https://ieeexplore.i[...]
MIT Press
[14]
서적
Multiobjective Optimization: Interactive and Evolutionary Approaches
http://link.springer[...]
Springer Berlin Heidelberg
2008
[15]
웹사이트
Computational Learning Theory: 2014-2015
https://www.cs.ox.ac[...]
2015-02-11
[16]
서적
Computational Intelligence in Time Series Forecasting : Theory and Engineering Applications
Springer Science & Business Media
[17]
학술지
Bibliometric Mapping of the Computational Intelligence Field
http://repub.eur.nl/[...]
World Scientific Pub Co Pte Lt
[18]
학술지
Computational Intelligence Course in Undergraduate Computer Science and Engineering Curricula
https://peer.asee.or[...]
[19]
학술지
Experience of Teaching Computational Intelligence in an Undergraduate Level Course [Educational Forum]
Institute of Electrical and Electronics Engineers (IEEE)
[20]
학회자료
Computational intelligence: a Tool for Multidisciplinary Education and Research
[21]
학술지
A successful interdisciplinary course on computational intelligence
Institute of Electrical and Electronics Engineers (IEEE)
본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
문의하기 : help@durumis.com