Computational Intelligence

Grundidee und Einsatzgebiet

Computational Intelligence (CI) bezeichnet Konzepte, Paradigmen, Algorithmen und technische Umsetzungen, die intelligentes menschliches Verhalten in komplexen und veränderlichen Umgebungen nachahmen sollen. CI-Systeme erkennen und interpretieren beispielsweise Muster, steuern Prozesse, unterstützen Entscheidungen oder bewegen Fahrzeuge und Roboter autonom durch unbekannte Umgebungen. Wichtige Fähigkeiten sind Lernen, Anpassung an neue Situationen, Verallgemeinerung, Abstraktion, Entdeckung und Assoziation. Viele Verfahren sind biologischen oder anderen natürlichen Vorgängen nachempfunden.

CI richtet sich besonders an reale Probleme, die sich nicht vollständig oder zuverlässig mathematisch modellieren lassen. Gründe dafür können fehlendes Wissen, eine zu hohe Komplexität, nichtlineares oder zeitabhängiges Verhalten, unvorhergesehene Veränderungen und zufällige Einflüsse sein. CI-Techniken bearbeiten deshalb häufig unzureichend definierte, komplexe, nichtlineare, zeitabhängige oder stochastische Prozesse. „Stochastisch“ bedeutet, dass Zufall eine wesentliche Rolle spielt.

Nach einer Definition der IEEE Computational Intelligence Society von 2025 umfasst CI die Theorie, den Entwurf, die Anwendung und die Entwicklung biologisch und linguistisch motivierter Berechnungsparadigmen. Ihre traditionellen drei Hauptsäulen sind neuronale Netze, Fuzzy-Systeme und evolutionäre Algorithmen. Weitere Bestandteile sind Schwarmintelligenz, Bayessche Netze, künstliche Immunsysteme, probabilistische Methoden und maschinelles Lernen. Das Gebiet entwickelt sich weiter und schließt unter anderem ambient intelligence, künstliches Leben, cultural learning, artificial endocrine networks, social reasoning und artificial hormone networks ein. Besonders stark wuchs zuletzt die Forschung zu Deep Learning und deep convolutional neural networks; Deep Learning ist inzwischen eine Kernmethode der künstlichen Intelligenz.

Für ein intelligentes System muss Wissen über den jeweiligen Anwendungsbereich in einem verarbeitbaren Modell dargestellt werden. Die Qualität des Systems hängt wesentlich davon ab, wie gut dieses Modell nach der Entwicklung oder Lernphase die entscheidenden Teile der Wirklichkeit abbildet. Je nach Aufgabe eignen sich datengesteuerte Methoden oder logikbasierte Wissensdarstellungen besser; in realen Anwendungen werden meist hybride Modelle verwendet. Eine endgültige Definition und eine abschließende Liste aller CI-Verfahren gibt es nicht.

Abgrenzung zu KI und klassischem Rechnen

Das Verhältnis zwischen Computational Intelligence und künstlicher Intelligenz (KI) ist nicht einheitlich festgelegt. In der Forschung werden drei Auffassungen vertreten: CI sei eine Alternative zur KI, KI schließe CI ein oder CI schließe KI ein. Seit dem Ende 2022 einsetzenden Boom um ChatGPT wird KI in Medien und Teilen der Wissenschaft häufig als Oberbegriff für sehr unterschiedliche KI- und CI-Techniken verwendet.

Eine wichtige Unterscheidung geht auf Lotfi Zadeh, den Begründer der Fuzzy-Set-Theorie, zurück. Danach stehen Hard Computing und traditionelle KI auf der einen sowie Soft Computing und CI auf der anderen Seite. Hard Computing beruht auf Determiniertheit und Genauigkeit. Es benötigt ein klar definiertes analytisches Modell und ein vorher geschriebenes Programm mit festen Anweisungen. Häufig wird Boolesche Logik verwendet: Ein Element gehört entweder zu einer Menge oder nicht. Tritt eine Situation ein, die das Modell oder der Algorithmus nicht berücksichtigt, schlägt die daraus abgeleitete Maßnahme wahrscheinlich fehl.

Soft Computing orientiert sich daran, dass Menschen auch ungenaue und mehrdeutige Informationen speichern und zielgerichtet verarbeiten können. Es arbeitet unter anderem mit probabilistischem Denken, Fuzzy-Logik und mehrwertiger Logik. Die Verfahren können große Datenmengen sowie zahlreiche möglicherweise ungenaue Berechnungen parallel verarbeiten und sind oft stochastisch. Sie eignen sich besonders, wenn keine zufriedenstellende exakte Lösung durch Hard Computing verfügbar ist. Als weiteres Unterscheidungsmerkmal gilt häufig, dass traditionelle KI Informationen symbolisch darstellt, CI-Techniken dagegen eher subsymbolisch.

Bei einigen CI-Verfahren, etwa Deep Learning, lassen sich Ergebnisse bislang nicht vollständig verifizieren; zudem ist nicht immer klar, worauf sie genau beruhen. Dies gilt als wichtige wissenschaftliche Frage. Die Begriffe KI und CI bleiben leicht verwechselbar, weil sich ihre Bedeutungen verändert haben und bereits für den Grundbegriff „Intelligenz“ keine allgemein akzeptierte Definition besteht.

Fuzzy-Systeme und neuronale Netze

Fuzzy-Regelsysteme beruhen auf Fuzzy-Logik. Anders als die Boolesche Logik beschreibt sie die Zugehörigkeit zu einer Menge nicht nur mit Ja oder Nein, sondern abgestuft. Eine Zugehörigkeitsfunktion weist jedem Element einen reellen Zugehörigkeitsgrad zwischen 0 und 1 zu. Darauf aufbauende Mengenoperationen bilden ein Logik-Kalkül, mit dem Inferenzprozesse, also logische Schlussfolgerungen, modelliert werden. Fuzzy-Logik eignet sich dadurch für technische Entscheidungen bei Unsicherheit oder ungenauen Daten, besitzt für sich genommen aber keine Lernfähigkeit. Anwendungen finden sich unter anderem in Regelungstechnik, Bildverarbeitung, Daten-Clustering und Entscheidungsfindung. Beispiele sind Waschmaschinen, Geschirrspüler, Mikrowellenherde, Getriebe- und Bremssysteme von Fahrzeugen sowie die Bildstabilisierung von Videokameras. Weitere Bereiche sind medizinische Diagnostik, Satellitensteuerung und die Auswahl von Geschäftsstrategien.

Künstliche neuronale Netze (KNN) orientieren sich an biologischen neuronalen Netzen. Das biologische Vorbild lässt sich durch Zellkörper zur Informationsverarbeitung, Axon zur Signalübertragung und Synapse zur Signalsteuerung beschreiben. KNN verarbeiten Daten sowohl beim Lernen als auch beim späteren Einsatz parallel und eignen sich deshalb für verteilte IT-Systeme. Sie sollen kognitive Prozesse des menschlichen Gehirns nachahmen. Zu ihren Vorteilen gehören Lernfähigkeit, Fehlertoleranz und Mustererkennung selbst bei verrauschten Bildern.

Ihre Anwendungen lassen sich in fünf Gruppen einteilen: Datenanalyse und -klassifizierung, Assoziativspeicher, Datenclusterung oder -komprimierung, Mustergenerierung und Steuerungssysteme. Konkrete Einsatzfelder sind medizinische Datenanalyse und Diagnostik, Sprach- und Gesichtserkennung, Data Mining, Bildverarbeitung, Prognosen, Robotersteuerung, Betrugserkennung und Kreditgenehmigung. Auch nichtlineare Systeme können mithilfe neuronaler Netze gesteuert werden. Generative Systeme auf Grundlage von Deep Learning und Convolutional Neural Networks, beispielsweise ChatGPT oder DeepL, bilden ein vergleichsweise neues Anwendungsgebiet.

Naturinspirierte Optimierungsverfahren

Evolutionary Computation (EC) umfasst eine Familie meist populationsbasierter Methoden zur globalen Optimierung. Diese Verfahren sind von biologischer Evolution inspiriert und werden als evolutionäre Algorithmen zusammengefasst. Dazu gehören genetische Algorithmen, Evolutionsstrategien, genetische Programmierung und weitere Verfahren. Sie bearbeiten insbesondere Aufgaben, die mit traditionellen mathematischen Methoden nicht lösbar sind, darunter Optimierungen mit mehreren Zielen, sogenannte Mehrzieloptimierungen.

Die Mitglieder einer Population von Lösungskandidaten können in jeder Iteration parallel verarbeitet und auf verschiedene Rechnerknoten eines Clusters verteilt werden. Werden bei einer Paarung mehrere Nachkommen erzeugt, kann auch deren Bewertung parallel erfolgen. Das ist wichtig, weil Bewertungen häufig den zeitaufwendigsten Teil der Optimierung bilden. Während des Ablaufs lernt der Algorithmus die Struktur des Suchraums kennen und speichert Informationen darüber in den Chromosomen der Kandidaten. Für ähnliche spätere Aufgaben lassen sich angepasste alte Chromosomen in einer neuen Startpopulation wiederverwenden.

Schwarmintelligenz beruht auf dem kollektiven Verhalten dezentraler, selbstorganisierter Systeme. Eine Population einfacher Agenten interagiert lokal miteinander und mit ihrer Umgebung. Obwohl keine zentrale Instanz das Verhalten vorgibt, kann aus diesen lokalen Wechselwirkungen ein globales Verhalten entstehen. Bekannte Verfahren sind die Partikelschwarm-Optimierung (PSO) und die Ant Colony Optimization (ACO). Beide sind metaheuristische Optimierungsalgorithmen, also übergeordnete Suchverfahren für näherungsweise Lösungen schwieriger numerischer oder kombinatorischer Aufgaben. Wie evolutionäre Algorithmen lassen sie sich leicht parallelisieren und besitzen vergleichbare Lerneigenschaften.

Künstliche Immunsysteme sind ebenfalls populationsbasierte metaheuristische Lernalgorithmen. Sie orientieren sich an theoretischer Immunologie und am Immunsystem von Wirbeltieren. Dessen Lern- und Gedächtnisprinzipien werden für Clustering und Optimierung genutzt; künstliche Lymphozyten werden mit aus evolutionären Algorithmen bekannten Operatoren geklont und mutiert. Die Verfahren bieten Anpassungsfähigkeit, selbstständiges Lernen und Robustheit. Einsatzfelder sind Datenverarbeitung, Fertigungssysteme, Systemmodellierung und -steuerung, Fehlererkennung und Cybersicherheit.

Unsicherheit, Lernen und Kombinationen

Bayessche Netze speichern und verarbeiten unsicheres Wissen. Ein Bayessches Netzwerk ist ein probabilistisches grafisches Modell, das Zufallsvariablen und ihre bedingten Abhängigkeiten als gerichteten azyklischen Graphen darstellt. „Azyklisch“ bedeutet, dass gerichtete Verbindungen keinen geschlossenen Kreis bilden. Die probabilistische Darstellung ermöglicht es, aus neuen Informationen Schlussfolgerungen zu ziehen; außerdem können solche Netze aus Daten lernen. Anwendungen umfassen medizinische Diagnostik, Risikomanagement, Informationsabruf, Textanalyse wie Spamfilter, die Bonitätsbewertung von Unternehmen und die Steuerung komplexer industrieller Prozesse.

Probabilistische Methoden bewerten die Ergebnisse intelligenter Systeme, die weitgehend durch Zufälligkeit geprägt sind, und erzeugen auf Grundlage von Vorwissen mögliche Problemlösungen. Der Artikel nennt Paul Erdős und Joel Spencer sowie das Jahr 1974 als Einführung dieser Methoden.

Lernmechanismen sind ein wesentlicher Bestandteil intelligenter Systeme. Psychologisches Lernen verbindet kognitive, emotionale und umweltbedingte Einflüsse sowie Erfahrungen, um Wissen, Fähigkeiten, Werte und Weltanschauungen zu erwerben, zu verbessern oder zu verändern. Lerntheorien untersuchen die Verarbeitung dieser Einflüsse und ermöglichen Vorhersagen aufgrund früherer Erfahrungen. Die wissenschaftliche Disziplin des maschinellen Lernens geht auf A. Samuel zurück. Unterschieden werden vier Lernformen: überwachtes, unüberwachtes, semi-überwachtes und bestärkendes Lernen.

CI-Methoden werden häufig zu hybriden Systemen verbunden, weil ihre Stärken einander ergänzen. Evolutionäre Algorithmen können beispielsweise neuronale Netze oder Fuzzy-Systeme entwerfen. Neuro-Fuzzy-Verfahren kombinieren die interpretierbare Wissensdarstellung eines Fuzzy-Systems mit der Lernfähigkeit eines neuronalen Netzes, das die Parameter des Fuzzy-Teils optimiert. So kann ein lernfähiges und interpretierbares Modell entstehen, das problemspezifisches Vorwissen nutzt. Solche Verfahren eignen sich besonders, wenn Menschen bei Modellgestaltung oder Interpretation mitwirken sollen. Weitere kooperative und integrative Architekturen werden für Steuerung, Klassifizierung und Funktionsapproximation eingesetzt.

Entwicklung, Lehre und Forschung

Die Diskussion über intelligente Computer reicht bis in die Anfangszeit der Informatik zurück. Alan Turing entwickelte 1950 den Turing-Test: Eine Person stellt über Tastatur und Monitor Fragen, ohne zu wissen, ob ein Mensch oder eine Maschine antwortet. Ein Computer gilt dabei als intelligent, wenn die fragende Person ihn nicht von einem Menschen unterscheiden kann.

„Computational Intelligence“ wurde 1985 erstmals als Titel einer Fachzeitschrift verwendet. Der 1989 gegründete IEEE Neural Networks Council griff den Begriff später auf. Am 21. November 2001 wurde der Council zur IEEE Neural Networks Society und zwei Jahre danach durch die Aufnahme von Fuzzy-Systemen und evolutionären Algorithmen zur IEEE Computational Intelligence Society. Der Council half 1994 bei der Organisation des ersten IEEE World Congress on Computational Intelligence in Orlando, Florida. Dort stellte James C. Bezdek eine frühe Definition vor: Ein computationally intelligentes System arbeitet ausschließlich mit numerischen Daten niedriger Ebene, besitzt Mustererkennung, nutzt kein Wissen im Sinne traditioneller KI und weist rechnerische Anpassungsfähigkeit und Fehlertoleranz sowie eine Arbeitsgeschwindigkeit und Fehlerquote nahe der menschlichen Leistungsfähigkeit auf oder beginnt, diese Eigenschaften zu entwickeln. Durch maschinelles Lernen und besonders Deep Learning mit überwachten, unüberwachten und bestärkenden Ansätzen hat sich CI seither erheblich erweitert.

CI und ihre Teilgebiete werden an zahlreichen deutschen Universitäten und Fachhochschulen gelehrt. Für 2025 führte EduRank.org weltweit 5.925 Universitäten mit Lehrveranstaltungen zur künstlichen Intelligenz auf: 2.536 in Asien, 1.368 in Europa, 1.295 in Nordamerika, 370 in Lateinamerika, 305 in Afrika und 51 in Ozeanien. Anerkannte Zeitschriften sind unter anderem Computational Intelligence, International Journal of Computational Intelligence Systems, Applied Computational Intelligence and Soft Computing und das IEEE Computational Intelligence Magazine. Zu den wichtigen europäischen Tagungen gehören ESANN und ESCIM. International ist die 2004 gegründete IEEE Computational Intelligence Society tätig.