امروزه اطلاعات دانه ای (Granular information) در بسیاری از قسمت های زندگی انسان وارد شده و در کارهای متنوع نفوذ یافته. در واقع ما این اطلاعات را به یکسری چارچوب کاری(Frame Work) تقسیم می کنیم که در هر کدام از آنها یکسری موجودیت ساده وجود دارد. چگونگی این چارچوب ها بستگی به فرم اطلاعات دارد و در این چارچوبها ایده ها و الگوها را به طور انتزاعی شکل داده، روی آنها عملیات خاصی انجام می دهیم و در نهایت نتایج را بررسی می کنیم. مثلاً در پرداز تصویر: هنگام فهم و پردازش یک تصویر، افراد به جای اینکه کل تصویر را پشت سر هم بررسی کنند، قسمت های بارز از تصویر را برای این عمل انتخاب می کنند. هرگز روی تک تک پیکسل(Pixel) های یک عکس تمرکز نمی کنیم بلکه آنها را به گروه های با معنی تقسیم کرده و هر دسته را پردازش می کنیم.این گروه پیکسل ها را براساس شباهت رنگ و غیره تشخیص می دهیم.این کار تنها با ساخت اطلاعات دانه ای و دستکاری آن امکان پذیر می باشد.

مثال دیگری که می توان در نظر گرفت مجموعه ای از سری های زمانی است(زمان های متوالی و پی در پی). اگر بخش های خاصی از این سیگنال را در نظر بگیریم می توان یک حالت مقداری به آن داد. مثلاً متخصصین سیگنالهای الکتروکاردیوگراف (پالس های الکترونیکی از ضربان قلب که به وسیله دستگاه الکترو کاردیوگراف ثبت می شوند) را پیوسته تفسیر می کنند. آنها روی بخش هایی از این سیگنالها تمرکز می کنند و مجموعه بخش ها را تفسیر می کنند. در نتیجه آنچه مورد توجه است بخش های انتخابی بارز است و تک تک الگوها برای تفسیر مناسب نیستند. ما همة پدیده ها را بدون توجه به اینکه ذاتاً گسسته یا آنالوگ هستند دانه ای می کنیم.

مثلاً زمان پدیده ای است که خود دانه ای شده است. ما از ثانیه ها به دقایق، روزها و ماه و سال ها با توجه به مسئلة مان استفاده می کنیم و اندازة اطلاعات دانه ای (که در اینجا بازه های زمانی هستند) می تواند بسیار متنوع باشد. در مدیریت های سطح بالا، بازه زمانی یک چهارم سال یا چند سال برای پیشبرد یک مدل قابل قبول است. برای طراح یک سیستم دیجیتالی پر سرعت ، اطلاعات دانه ای شامل نانو ثانیه و گاهی هم میگرو ثانیه است.

از آنچه تاکنون گفته شده می توان فهمید که :

1) اطلاعات دانه ای یکی از مفاهیم مهم پردازش و نمایش اطلاعات است.

2) درجه ی دانه ای شدن، اطلاعات دانه ای (به طور دقیقتر اندازة آن) بستگی به نوع مسئله دارد.

3) درجه جهانی برای اطلاعات دانه ای وجود ندارد، اندازة آن وابسته به مسئله و نیاز کاربر است.

آنچه تاکنون گفته شد به جنبه های کیفی مسئله مربوط می شد. حال نیاز به ساخت یک چارچوب محاسباتی داریم تا همة تلاش های ما را برای نمایش و پردازش در برگیرد. آنچه در راستای این امر پدید آمده محاسبات دانه ای(Granular Computing) است.

محاسبات دانه ای در واقع الگویی از پردازش اطلاعات است که امروزه در مباحثی چون مدل سازی سیستم، Machine learning ، پردازش تصویر، pattern recognition و فشرده سازی داده، کاربرد دارد.

محاسبات دانه ای دارای ویژگی های مهم است:

1) می تواند شباهت های اساسی را بین مسائل و تکنولوژی های مختلف و متنوع کشف کند و آنها را تحت یک چارچوب کاری به نام دنیای دانه ای در بیاورد.

2) یک چارچوب متحد از پردازش های دانه ای این امکان را می دهد تا ارتباطات دقیق بین شباهت ها را بفهمیم و شیوه های ارتباطی آنها را درک کنیم.

3) موضوعاتی چون تئوری مجموعه ها (آنالیز بازه ها)، مجموعة فازی و ... را با وجود تفاوت های واضح در زیربنایشان، اثبات می کند و محاسبات دانه ای با فضای ایجاد کرده بین موضوعات مطرح شده، هماهنگی ایجاد می کند.

4) محاسبات دانه ای با استفاده از چارچوب های مشخص شده و اصلی که وجود دارند، مدل های پیچیده ای را برای پردازش اطلاعات دانه ای ایجاد کرده است. (مثلاً، در مجموعة فازی از توابع عضویت استفاده کرده، یا در تئوری اعمال از تابع احتمالی چگالی استفاده کرده)

5) محاسبات دانه ای دامنه ی وسیعی از متغیرهای دانه ای، از موجودیت های عددی گرفته تا اطلاعات دانه ای انتزاعی و عمومی را در بر دارد.

اگر گذشته ی محاسبات دانه ای را در نظر بگیرید، مکانیزم اساسی مختلفی برای دانه ای کردن خواهید دید(آن را در شکل می توان دید) این مکانیزم ها عبارتند از : آنالیز بازه ای، مجموعه های فازی، sets Rough و متغیرهای نامطمئن(Uncertain Variables).