Fuzzy-Logik in der künstlichen Intelligenz: Architektur, Anwendungen, Vor- und Nachteile

In unserem täglichen Leben sind Sie nicht immer in der Lage, eine Entscheidung zu treffen, indem Sie Ja oder Nein sagen. Dies liegt daran, dass Sie möglicherweise Situationen gegenüberstehen, in denen nicht genügend Informationen vorhanden sind, um eine Entscheidung zu treffen. Oder wir sind vielleicht selbst ein wenig verwirrt. Wenn Sie beispielsweise jemand fragt, ob Sie nächsten Monat an einem bestimmten Datum verfügbar sind, werden Sie wahrscheinlich nicht sofort Ja oder Nein sagen. Das liegt daran, dass Sie sich nicht ganz sicher sind, dass Sie an genau diesem Datum im nächsten Monat nicht beschäftigt sein werden.

Heikel, nicht wahr? Fuzzy Logic in der künstlichen Intelligenz hilft Computern, mit ähnlichen Situationen umzugehen, in denen Eingabedaten etwas unklar sind.

Holen Sie sich Schulungen zum maschinellen Lernen von den besten Universitäten der Welt. Erwerben Sie Master-, Executive PGP- oder Advanced Certificate-Programme, um Ihre Karriere zu beschleunigen.

Was ist Fuzzy-Logik?

Der Begriff Fuzzy bedeutet etwas Vages. Wenn eine Situation vage ist, ist der Computer möglicherweise nicht in der Lage, ein Ergebnis zu erzeugen, das wahr oder falsch ist. Gemäß der booleschen Logik bezieht sich der Wert 1 auf True und 0 bedeutet False. Aber ein Fuzzy-Logik-Algorithmus berücksichtigt alle Unwägbarkeiten eines Problems, bei dem es neben True oder False mögliche Werte geben kann.

Der Begriff Fuzzy Logic wurde erstmals 1965 von Lotfi Zadeh beschrieben. Er war der Meinung, dass traditionelle Computerlogik nicht in der Lage ist, mit unklaren oder vagen Daten umzugehen. Ähnlich wie bei Menschen gibt es viele mögliche Werte zwischen True und False, die ein Computer aufnehmen kann. Dies können sein:

• Sicherlich ja
• Möglicherweise ja
• Kann ich nicht sagen
• Möglicherweise nein
• Sicherlich nicht

Sehen Sie sich dieses einfache Beispiel für Fuzzy-Logik an:

Problem – Boolesche Logik

Lösung

• Ja (1.0)
• Nein (0)

Gemäß herkömmlicher Boolescher Logik nimmt der Algorithmus eine bestimmte Eingabe und erzeugt ein präzises Ergebnis Ja oder Nein. Dies wird durch 0 bzw. 1 dargestellt.

Fuzzy-Logik

Lösung

• Sehr heiß (0,9)
• Wenig heiß (0,20)
• Mäßig heiß (0,35)
• Nicht heiß (1.0)

Wie im obigen Beispiel hat Fuzzy Logic einen breiteren Bereich von Ausgängen, wie z. B. sehr heiß, mäßig heiß und nicht heiß. Diese Werte zwischen 0 und 1 zeigen die Bandbreite der Möglichkeiten.

In Fällen, in denen keine genaue Begründung geliefert werden kann, bietet Fuzzy Logic eine akzeptable Argumentationsmethode. Ein auf Fuzzy-Logik basierender Algorithmus nimmt alle verfügbaren Daten, während er ein Problem löst. Es trifft dann die bestmögliche Entscheidung gemäß den gegebenen Eingaben.

Charles Elkan, Assistenzprofessor an der Fakultät für Informatik und Ingenieurwissenschaften an der University of California in San Diego, brachte etwas Licht in die Fuzzy-Logik. Er sagte, dass Fuzzy Logic in der künstlichen Intelligenz eine verallgemeinerte Form der Standardlogik ist, bei der jedes Konzept einen Wahrheitsgrad zwischen 0,0 und 1,0 haben kann. Fuzzy Logic kann für vage Konzepte verwendet werden, wie z. B. das Merkmal der Größe. Zum Beispiel können wir sagen, dass Präsident Clinton groß ist, und das Konzept kann einen Wahrheitsgrad von 0,9 haben.

Er sagte weiter, dass Fuzzy Logic bei der Maschinensteuerung auf niedriger Ebene, insbesondere bei Verbrauchergeräten, sehr nützlich ist. Einige Spezialmikroprozessoren, die auf Fuzzy Logic aufgebaut sind, führen Fuzzy-Operationen auf ihrer Hardware durch.

Lassen Sie uns nun die Fuzzy-Logik in der künstlichen Intelligenz verstehen, indem wir uns ihre Architektur ansehen.

Lesen Sie: Projektideen für maschinelles Lernen

Fuzzy-Logik-Architektur

Die Architektur von Fuzzy Logic besteht aus folgenden Komponenten:

Regelbasis

Dies ist der Satz von Regeln zusammen mit den Wenn-Dann-Bedingungen, die zum Treffen von Entscheidungen verwendet werden. Moderne Entwicklungen in der Fuzzy-Logik haben jedoch die Anzahl der Regeln in der Regelbasis verringert. Dieses Regelwerk wird auch als Wissensbasis bezeichnet.

Fuzzifizierung

Dies ist der Schritt, in dem gestochen scharfe Zahlen in Fuzzy-Mengen umgewandelt werden . Eine klare Menge ist eine Menge von Elementen, die identische Eigenschaften haben. Basierend auf einer bestimmten Logik kann ein Element entweder zur Menge gehören oder nicht. Crisp Sets basieren auf binärer Logik – Ja- oder Nein-Antworten.

Hier werden die Fehlersignale und physikalischen Werte in eine normierte Fuzzy-Teilmenge umgewandelt. In jedem Fuzzy-Logik-System trennt der Fuzzifier die Eingangssignale in fünf Zustände, die sind:

• Großes Positives
• Mittel positiv
• Klein
• Mittel negativ
• Großes Negativ

Der Fuzzifizierungsprozess wandelt knackige Eingaben wie die Raumtemperatur, die von Sensoren abgerufen werden, um und leitet sie zur weiteren Verarbeitung an das Steuerungssystem weiter. Ein Fuzzy-Logik-Steuerungssystem basiert auf Fuzzy-Logik. Herkömmliche Haushaltsgeräte wie Klimaanlagen und Waschmaschinen enthalten Fuzzy-Control-Systeme.

Lesen Sie: Entwicklergehalt für maschinelles Lernen in Indien

Inferenz-Engine

Die Inferenzmaschine bestimmt, wie sehr die Eingabewerte und die Regeln übereinstimmen. Die Regeln werden basierend auf den empfangenen Eingabewerten angewendet. Dann werden die Regeln verwendet, um Steueraktionen zu entwickeln. Die Inferenzmaschine und die Wissensbasis zusammen werden in einem Fuzzy-Logik-System als Controller bezeichnet.

Defuzzifizierung

Dies ist der umgekehrte Prozess der Fuzzifizierung . Hier werden die Fuzzy-Werte durch Mapping in knackige Werte umgewandelt. Dafür gibt es mehrere Defuzzifizierungsmethoden, aber die beste wird je nach Eingabe ausgewählt. Dies ist ein komplizierter Prozess, bei dem Methoden wie das Prinzip der maximalen Zugehörigkeit, die Methode des gewichteten Durchschnitts und die Methode der Schwerpunkte verwendet werden.

Vorteile der Fuzzy-Logik in der künstlichen Intelligenz

Die Vorteile der Verwendung von Fuzzy-Logik-Systemen sind wie folgt:

• Es ist ein robustes System, bei dem keine präzisen Eingaben erforderlich sind
• Diese Systeme sind in der Lage, mehrere Arten von Eingaben zu berücksichtigen, darunter vage, verzerrte oder ungenaue Daten
• Falls der Rückkopplungssensor nicht mehr funktioniert, können Sie ihn entsprechend der Situation neu programmieren
• Die Fuzzy-Logik-Algorithmen können mit weniger Daten codiert werden, sodass sie keinen großen Speicherplatz belegen
• Da es dem menschlichen Denken ähnelt, sind diese Systeme in der Lage, komplexe Probleme zu lösen, bei denen mehrdeutige Eingaben verfügbar sind, und entsprechende Entscheidungen zu treffen
• Diese Systeme sind flexibel und die Regeln können modifiziert werden
• Die Systeme sind einfach aufgebaut und leicht aufzubauen
• Sie können Systemkosten sparen, da kostengünstige Sensoren in diesen Systemen untergebracht werden können

Lesen Sie auch: Arten von Algorithmen für maschinelles Lernen mit Anwendungsfällen

Nachteile der Fuzzy-Logik in der künstlichen Intelligenz

Schauen wir uns die Nachteile von Fuzzy-Logic-Systemen an:

• Die Genauigkeit dieser Systeme wird beeinträchtigt, da das System hauptsächlich mit ungenauen Daten und Eingaben arbeitet
• Es gibt keinen einzigen systematischen Ansatz, um ein Problem mit Fuzzy Logic zu lösen. Infolgedessen ergeben sich viele Lösungen für ein bestimmtes Problem, was zu Verwirrung führt
• Aufgrund von Ungenauigkeiten in den Ergebnissen werden sie nicht immer allgemein akzeptiert
• Ein Hauptnachteil von Fuzzy-Logik-Steuerungssystemen besteht darin, dass sie vollständig von menschlichem Wissen und Fachwissen abhängig sind
• Sie müssen die Regeln eines Fuzzy-Logic-Steuerungssystems regelmäßig aktualisieren
• Diese Systeme können maschinelles Lernen oder neuronale Netze nicht erkennen
• Die Systeme erfordern viele Tests zur Validierung und Verifizierung

Anwendungen der Fuzzy-Logik

Die Anwendungen der Fuzzy-Logik verteilen sich auf mehrere Bereiche. Sie sind wie folgt:

Medizin

• Kontrolle des arteriellen Drucks bei der Anästhesie von Patienten
• Wird in der diagnostischen Radiologie und in diagnostischen Unterstützungssystemen verwendet
• Diagnose von Prostatakrebs und Diabetes

Transportsysteme

• Abwicklung des U-Bahn-Betriebs
• Zugfahrpläne kontrollieren
• Bremsen und Anhalten von Fahrzeugen basierend auf Parametern wie Fahrzeuggeschwindigkeit, Beschleunigung und Radgeschwindigkeit

Verteidigung

• Lokalisieren und Erkennen von Zielen unter Wasser
• Unterstützt die Entscheidungsfindung der Marine
• Verwendung von Infrarot-Wärmebildern zur Zielerkennung
• Wird zur Steuerung von Hypervelocity-Abfangjägern verwendet

Industrie

• Steuerung von Wasseraufbereitungsanlagen
• Umgang mit Problemen bei der Befriedigung von Zwangsbedingungen im Tragwerksentwurf
• Musteranalyse zur Qualitätssicherung
• Fuzzy Logic wird zur Bewältigung der Klärschlamm-Abwasserbehandlung eingesetzt

Marinekontrolle

• Schiffe richtig steuern
• Auswahl der optimalen oder bestmöglichen Routen zum Erreichen eines Ziels
• Autopilot basiert auf Fuzzy-Logik
• Autonome Unterwasserfahrzeuge werden mit Fuzzy Logic gesteuert

Waschanlagen powered by Fuzzy Logic

Moderne Waschmaschinen mit Fuzzy-Logik werden heutzutage immer beliebter. Sie verfügen über Sensoren, die Temperaturschwankungen kontinuierlich verfolgen. Es passt die Steuerung und den Betrieb entsprechend an. Diese Systeme funktionieren gut, sind produktiv und kosteneffizient.

Für beste Waschergebnisse steuert Fuzzy Logic den Waschprozess, die Wassertemperatur, die Schleuderdrehzahl, die Waschzeit, die Wasseraufnahme und die Spülleistung. Fortgeschrittene Maschinen tun Folgendes:

• Überprüfen Sie die Belastung der Maschine, um eine Überlastung zu vermeiden
• Überprüfen Sie die Wasserhärte und bestimmen Sie die Art des Stoffmaterials
• Berät den Benutzer über die optimale Waschmittelmenge. Sie prüfen auch, ob das Waschmittel in flüssiger oder pulverförmiger Form vorliegt
• Sie lernen aus früheren Wascherfahrungen und merken sich Algorithmen zur Verbesserung der Waschergebnisse

Die meisten Systeme basieren auf energiesparender Technologie, die Ihnen hilft, beim Wäschewaschen Strom zu sparen. Diese Funktionen helfen Ihnen, Energie zu sparen, selbst wenn Sie 2 bis 3 Mal pro Woche viele Kleidungsstücke waschen. Die Sensoren überwachen den gesamten Waschprozess und nehmen notwendige Anpassungen und Korrekturen für beste Waschergebnisse vor.

Fuzzy Logic in diesen Waschmaschinen prüft die Schmutzmenge auf der Kleidung, die Schleuderrichtung und die benötigte Seifenmenge. Für ein besseres Schleudern ist die Waschladung richtig ausbalanciert. Falls eine Unwucht erkannt wird, wird die Schleuderdrehzahl verringert. Darüber hinaus hilft der Ausgleich der Wäscheladung, das Schleudergeräusch zu reduzieren.

Firmen wie Panasonic verwenden eine ähnliche Technologie in ihren Geschirrspülern. Fuzzy Logic wird zur Anpassung der Reinigungszyklen von Geschirrspülern zusammen mit den Wasch- und Spülmethoden verwendet. Die Leistung der Maschine hängt auch von der Anzahl des Geschirrs ab, das in die Spülmaschine gegeben wird.

Fazit

Obwohl die Fuzzy-Logik in der künstlichen Intelligenz dazu beiträgt, das menschliche Denken nachzuahmen, müssen diese Systeme von Experten erstellt werden. So können Sie sich auf die Erfahrung von Experten verlassen, die das System besser verstehen. Fuzzy Logic kann auch zur Verbesserung der Ausführung von Algorithmen verwendet werden. IBM Watson verwendet Fuzzy-Logik und Fuzzy-Semantik .

Informieren Sie sich über das Advanced Certificate Program von upGrad in Machine Learning & NLP. Dieser Kurs wurde unter Berücksichtigung verschiedener Arten von Studenten entwickelt, die sich für maschinelles Lernen interessieren, und bietet 1-1-Mentoring und vieles mehr.

Was sind die Anwendungen der Fuzzy-Logik im wirklichen Leben?

Fuzzy-Logik wird für die gleichen Anwendungen wie normale Logik verwendet, jedoch mit der Fähigkeit, mit ungenauen Argumenten umzugehen. Die Hauptanwendung von Fuzzy Logic ist die künstliche Intelligenz. Fuzzy-Logik wird in Fabriksteuerungen und Industriesoftware verwendet. Auch die meisten modernen Geräte in Küche, Heimkino und Unterhaltung, Klimaanlage und Heizung, Mikrowelle, Digitalkamera, Kühlschrank und Fernseher usw. verwenden Fuzzy-Logik. Das System ist eine Einbahnstraße. Es verwendet Fuzzy-Logik, um intelligente Entscheidungen zu treffen, aber auch Kunden reagieren unscharf. Um das System genauer zu machen, wenden Forscher Fuzzy-Wissenschaft auf solche Geräte an.

Was sind die Grenzen der Fuzzy-Logik?

Fuzzy-Logik ist eine Möglichkeit, logische Aussagen mit realen Werten anstelle der herkömmlichen binären Werte darzustellen. Die Fuzzy-Logik hat zwei große Einschränkungen: die Handhabung ungenauer Daten und die inhärente Schlussfolgerung des menschlichen Denkens. Diese beiden Probleme hängen miteinander zusammen. Wenn die Daten im System ungenau sind, kann ein Mensch nicht auf das Wissen oder die Beziehung schließen. Es ist zu hoffen, dass zukünftige Forschung zur Lösung dieser Probleme führen wird.

Was sind die Vorteile der Fuzzy-Regelung?

Die Fuzzy-Steuerung ermöglicht eine Steuerung basierend auf der tatsächlichen Ausgabe des Prozesses im Gegensatz zu einer Steuerung basierend auf einem Sollwert. Das bedeutet, dass der Ausgang eines Regelkreises nicht auf einen bestimmten Wert festgelegt ist, sondern innerhalb eines bestimmten Bereichs variieren darf. Dies ergibt eine bessere Steuerung als eine Festkommasteuerung, insbesondere bei Anwendungen mit einer nichtlinearen Beziehung zwischen Eingang und Ausgang.