Inteligência computacional (IC) é o ramo da inteligência artificial (IA) que lida com computação macia ou computação flexível (CM, ou SC do inglês soft computing), i.e. que explora imprecisão no projeto de algoritmos e sistemas.
Uma conceitualização mais cuidadosa é apresentada na próxima sessão deste artigo.
A IC é marcada pela ênfase em algumas técnicas e áreas do conhecimento, como explicitado nos 5 princípios da IC, de forma que um sistema (paradigmático) de IC é bioinspirado, complexo, e explora imprecisão (e.g. utiliza ruído para a varredura do espaço, lógica fuzzy para representar imprecisão semântica, e/ou estatística para eventos incertos), com aplicação na resolução de problemas (ou suporte à computação).
As vantagens oferecidas por estes sistemas incluem (potencialmente): a simplicidade de aplicação, a otimização em espaços muito amplos para métodos tradicionais (e.g. em problemas NP-completos e NP-difíceis, quando gradientes e derivadas nulas encontram extremos locais, ou na inaptidão de aproximações polinomiais por minimização de distância euclidiana), a modelagem de fenômenos reais e imprecisos, análise de dados empíricos, e a exploração de sistemas complexos para fins científicos e estéticos.
Base teórica e conceitual Exemplos de definições distintas para a IC inteligência computacional é o estudo do desenho de agentes inteligentes. Um agente é algo que age em um ambiente, "faz algo". Um agente inteligente é um sistema que age de forma inteligente.David Poole; Alan Mackworth; Randy Goebel. Computational Intelligence: A Logical Approach. Oxford University Press. 1998. Inteligência computacional consiste de conceitos, paradigmas, e algoritmos e implementações de sistemas que em teoria exibem comportamentos inteligentes em ambientes complexos. Inteligência computacional é suportada fortemente por sub-simbólicos, predominantemente análogos de sistema naturais ou ao menos inspirados pela natureza. Estes métodos possuem a vantagem de que são tolerantes a conhecimento incompleto, impreciso, e incerto e sendo assim facilitando o encontro de soluções que são aproximações, viáveis e robustas ao mesmo tempo.Rudolf Kruse, Christian Moewes, Christian Borgelt, Matthias Steinbrecher, Frank Klawonn, Pascal Held, Computational intelligence: a methodological introduction, Texts in Computer Science, Springer, 2013. A IC é um conceito (ainda) sem definição consensual, assim como a IA e a própria inteligência.
As bases teóricas destas áreas são transdisciplinares e carregadas de conceitos advindos da computação, cognição, e filosofia, além de inspiração recorrente nas ciências naturais e biológicas.
Desta forma, segue uma apresentação elementar dos principais conceitos atualmente vinculados à IC e suas interrelações.
IC, Computação Macia, Inteligência Artificial, Computação Natural IC é um quasi-sinônimo de duas áreas: computação macia (CM ou soft computing) e inteligência artificial.
A IC é um termo com definição menos consensual que CM, sendo esta última simplesmente definida como computação com exploração de soluções inexatas.Zadeh, Lotfi A., "Fuzzy Logic, Neural Networks, and Soft Computing," Communications of the ACM, March 1994, Vol. 37 No. 3, pages 77-84.D. K. Chaturvedi, "Soft Computing: Techniques and Its Applications in Electrical Engineering", Springer, (2008). Ambas a IC e a CM são subáreas da computação natural (CN): o modelo/paradigma básico é a mente ou o raciocínio humano. A inteligência é geralmente atribuída aos humanos, mas em IC qualquer forma de vida, ou mesmo de sistema complexo ou de algum modo "inteligênte", pode ser usada, como formigas.
A inteligência, neste contexto, está diretamente ligada à tomada de decisão e ao raciocínio.
A IC é considerada subárea da IA ou, conforme alguns trabalhos sugerem, oposta à IA pela exploração da imprecisão (e.g. do erro, aproximação, indefinição semântica), e observando a IA como trabalhando sistemas que utilizam também (ou principalmente) aspectos booleanos.
Neste sentido, a IA é aproximada do conceito de computação dura (em que há ênfase no paradigma booleano de verdade absoluta), enquanto a IC é aproximada do conceito de computação macia (com ênfase na lógica difusa e em problemas mal definidos, e.g. que difere de um problema bem-posto de Hadamard).Bezdek (1994) A IC também é conceituada como sinônimo de IA e até como termo preferido ao termo IA por refetir melhor o fato de que a inteligência não é criada, mas imitada de sistemas considerados inteligentes, e de forma simplificada.
De fato, a definição de IC usada por é a rigor a mesma que a utilizada por (o clássico de IA, por Russel e Norvig): "inteligência computacional é o estudo do projeto de agentes inteligentes".
O aprendizado de máquina tem sobreposição, mas difere da área de IC: um sistema fuzzy não necessariamente aprende, e se um sistema de IC aprende, em geral ocorre por técnicas bioinspiradas.
Pode-se considerar que o termo IC será usado para designar a área que trata de comportamento inteligente (no sentido metafórico, amplo, quase arbitrário de inteligência) em software; ou com exploração de imprecisão; ou automatizada (caso em que IC se torna sinônimo de IA).
Alguns autores argumentam pelo termo inteligência sintética. Por extensão dos resultantes (potenciais) sinônimos IC, IA, e inteligência sintética, em alguns contextos também podem ser usadas variantes como inteligência mecânica, automatizada, ou programada.
Reconhecidamente, o termo inteligência é bastante ambíguo e sua aplicação para o comportamento de sistemas computacionais gera questões filosóficas severas.
Os 5 princípios da IC A literatura reporta 5 princípios historicamente estabelecidos na ICWANG, Fei-Yue and LIU, Derong, Advances in computational intelligence: theory and applications. Series in intelligent control and intelligent automation, v. 5, World Scientific, 2006.: Lógica difusa/nebulosa/fuzzy (LD): para lidar com imprecisão semântica (indefinição conceitual).Zadeh, L.A. (1965). "Fuzzy sets", Information and Control 8 (3): 338–353. Redes neurais artificiais (RNA): tradicionalmente fornecem capacidades de processamento distribuído, cognitivo, bioinspirado, de aprendizado, potencialmente úteis para a lidar com dados empíricos/reais, aos sistemas de IC. Computação evolutiva (CE): utiliza o princípio da evolução natural para derivar métodos computacionais. Um exemplo paradigmático é o dos algoritmos genéticos. Exemplos menos óbvios (e menos consensuais) relacionados à CE incluem: otimização por colônia de formigas, algoritmos imunológicos (imunoinspirados), inteligência de enxame (e.g. particle swarm optimization/PSO, artificial bee colony (ABC), etc...). Teoria do aprendizado (TA): área dedicada à análise e projeto de algoritmos de aprendizado de máquina. Métodos estatísticos (ME): para a lida com imprecisão de ocorrência (verdadeiro/falso, existência), chamada incerteza crispy no contexto da lógica difusa.
Reflexão sobre os 5 princípios da IC Estes 5 princípios comportam o colapso de alguns itens: a CE e RN estão dentro da computação natural, ou computação bioinspirada, conceito que abriga com maior coerência e consenso a utilização de algoritmos imunológicos ou de inteligência de enxame, por exemplo.
Lógica crispy (probabilidade) e difusa são também coerentemente colapsadas em um item único para lidar com imprecisão/ignorância.
Por outro lado, a prática da IC sugere que dois princípios sejam adicionados à lista principal: mineração de dados, e a inteligência artificial, e os cinco princípios podem ser descritos da seguinte formaROSS, R. J. Fuzzy Logic with Engineering Applications, 4ª edição. Wiley, 2017.CASTRO, L. N. Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications, CRC Press, 2006.RUSSEL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 3ª edição. Pearson, 2009.: Imprecisão difusa e probabilística: com os devidos tratamentos para ignorância ou imprecisão inerente à semântica e ocorrências, para modelagem, análise, otimização e aprendizado em geral. Computação natural, ou computação bioinspirada: reunindo RNA e CE, principalmente para realização de aprendizado e inspiração de modelos. TA. Mineração de dados: para a lida com armazenamento de dados, relatoria, e ferramentas em software, por exemplo. Inteligência artificial: um quasi-sinônimo de IC (veja a apresentação terminológica), fornece contexto e base teórica, filosófica e histórica.
Aplicação da IC Dentre as principais aplicações da IC estão: biomedicina, engenharia, análise de dados, ciência da computação, e sistemas complexos.Lam, HK; Ling, SH; Nguyen, HT (eds) (2012). Computational Intelligence and its applications: evolutionary Computation, Fuzzy Logic, Neural Network, and Support Vector Machine Technique. Imperial College Press.Pires, J. G. (2012). “On the Applicability of Computational Intelligence in Transcription Network Modelling”. Thesis of Master of Science. Faculty of Applied Physics and Mathematics (Gdansk University of Technology): Gdansk, Poland.Pires JG (2014). Biomechanics, computational Intelligence, and systems biology with application on vitreous dynamics using Java: An incipient discussion. Acad. J. Sci. Res. 2(1):007-018.
Demais questões conceituais Navalha de Occam: estabelece prioridade para a concepção mais simples. Contrasta, mas não conflita com o fenômeno da complexidade. Inserção de ruído para exploração do espaço de soluções VS obtenção determinística de regras. Sistemas complexos, propriedades emergentes Não-linearidade, lei de potência, exponencial, lei de Stevens, lei de Weber-Fechner. Algoritmos de otimização e aprendizado bioinspirados VS derivados de formalismos matemáticos. Reconhecimento de padrões. Noção primitiva/primeiros princípios, axioma. Teoria ingênua (construída sobre formalismos inexatos).Teoria ingênua dos conjuntos, Paul Halmos Conceitos mal definidos (fuzzy) e problemas mal definidos. Linguística, PLN, mineração de texto, linguística computacional. Cálculo estocástico Streaming (para exemplo de sistema em constante alteração) Processamento de sinais Problemas inversos Inteligência coletiva Teoria do caos Lógica polivalente Entropia de Tsallis e termodinâmica associadaTsallis, Constantino. Introduction to nonextensive statistical mechanics: approaching a complex world. Springer Science & Business Media, 2009. Teoria dos padrões (Pattern theory)Mumford, David, and Agnès Desolneux. Pattern theory: the stochastic analysis of real-world signals. CRC Press, 2010. Automato celular, sistema L (L-systems), fractal Teoria das evidências/de Dempster-Shafer/de funções de crença (DST), Medidas monotônicas (monotone measures), crença, plausibilidade, possibilidade, necessidade. Generalizações da lógica fuzzy.Zhao, Yan-cai, et al. "Generalized Fuzzy Sets and Fuzzy Relations." International Conference on Oriental Thinking and Fuzzy Logic. Springer, Cham, 2016.
Metodologias que constituem a IC Várias metodologias foram e ainda estão sendo desenvolvidas, mas as principais são: Redes Neurais Artificiais; Lógica Nebulosa (Lógica Fuzzy); Computação Natural; Computação Evolucionária; Métodos Bayesianos; Máquinas de vetores de suporte; Aprendizado de máquina; Aprendizado profundo (Deep Learning)
O Brasil e a IC Em 2013, durante uma mesa redonda foi aberta (BRICS-CCI, Recife, Brasil) para discutir os caminhos da IC.1st BRICS Countries & 11th CBIC Brazilian Congress on Computational Intelligence. http://brics-cci.org/. Acessado em Julho 2014. Uma das conclusões é que a inteligência artificial precisa ser melhor conceitualizada principalmente em seus objetivos, problemática já reportada anteriormente.KOSKO, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to machine intelligence. Prentice Hall, 1992.