人工知能におけるファジィ論理：アーキテクチャ、アプリケーション、長所と短所

私たちの日常生活では、「はい」または「いいえ」と言って判断できるとは限りません。これは、判断するための情報が不足している状況に直面する可能性があるためです。 または、少し混乱しているかもしれません。 たとえば、誰かがあなたが来月の特定の日に利用可能かどうかを尋ねた場合、あなたはおそらくすぐに「はい」または「いいえ」とは言わないでしょう。 来月のその日に忙しくないかどうか完全にはわからないからです。

トリッキーですね。 人工知能のファジーロジックは、入力データが少し不明確な同様の状況にコンピューターが対処するのに役立ちます。

世界のトップ大学から機械学習トレーニングを受講してください。 マスター、エグゼクティブPGP、または高度な証明書プログラムを取得して、キャリアを迅速に追跡します。

ファジーロジックとは何ですか？

ファジーという用語は、少し漠然としたものを意味します。 状況があいまいな場合、コンピューターはTrueまたはFalseの結果を生成できない場合があります。 ブール論理によると、値1はTrueを表し、0はFalseを意味します。 ただし、ファジー論理アルゴリズムは、問題のすべての不確実性を考慮します。この場合、TrueまたはFalse以外の値が考えられます。

ファジーロジックという用語は、1965年にLotfiZadehによって最初に説明されました。 彼は、従来のコンピューターロジックでは、不明瞭またはあいまいなデータを処理できないと考えていました。 人間と同様に、コンピューターに組み込むことができるTrueとFalseの間には多くの可能な値があります。 これらは次のようになります。

• 確かにそうです
• おそらくはい
• 言えない
• おそらくない
• 確かにありません

ファジーロジックのこの簡単な例を確認してください。

問題–ブール論理

解決

• はい（1.0）
• いいえ（0）

従来のブール論理によれば、アルゴリズムは明確な入力を受け取り、正確な結果を「はい」または「いいえ」で生成します。これは、それぞれ0と1で表されます。

ファジィ論理

解決

• 非常に暑い（0.9）
• 少し暑い（0.20）
• 適度に暑い（0.35）
• 暑くない（1.0）

上記の例のように、ファジーロジックは、非常に高温、適度に高温、高温ではないなど、より広い範囲の出力を備えています。 0から1までのこれらの値は、可能性の範囲を示します。

したがって、正確な推論を提供できない場合、ファジーロジックは許容可能な推論方法を提供します。 ファジーロジックに基づくアルゴリズムは、問題を解決しながら、利用可能なすべてのデータを取得します。 次に、与えられた入力に従って可能な限り最良の決定を行います。

カリフォルニア大学サンディエゴ校のコンピューターサイエンスおよびエンジニアリング学部の助教授であるチャールズエルカンは、ファジーロジックに光を当てました。 彼は、人工知能のファジー論理は標準論理の一般化された形式であり、どの概念も0.0から1.0の範囲の真理度を持つ可能性があると述べました。 ファジー論理は、背の高さの特性など、漠然とした概念に使用できます。 たとえば、クリントン大統領は背が高く、概念の真実度は0.9であると言えます。

彼はさらに、ファジーロジックは、特に家電製品の低レベルの機械制御に非常に役立つと述べました。 ファジーロジック上に構築された一部の専用マイクロプロセッサは、ハードウェア上でファジー操作を実行します。

ここで、人工知能のファジーロジックのアーキテクチャを見て理解しましょう。

読む：機械学習プロジェクトのアイデア

ファジー論理アーキテクチャ

ファジーロジックのアーキテクチャは、次のコンポーネントで構成されています。

ルールベース

これは、決定を行うために使用されるIf-Then条件とともに一連のルールです。 しかし、ファジーロジックの最近の開発により、ルールベースのルールの数が減りました。 これらの一連のルールは、ナレッジベースとも呼ばれます。

ファジー化

これは、鮮明な数値がファジー集合に変換されるステップです。 鮮明なセットは、同じプロパティを持つ要素のセットです。 特定のロジックに基づいて、要素はセットに属するかどうかのいずれかになります。 鮮明なセットは、バイナリロジックに基づいています–はいまたはいいえの答え。

ここで、エラー信号と物理値は正規化されたファジーサブセットに変換されます。 どのファジーロジックシステムでも、ファジーは入力信号を次の5つの状態に分離します。

• ラージポジティブ
• ミディアムポジティブ
• 小さい
• ミディアムネガティブ
• ラージネガ

ファジー化プロセスは、センサーによってフェッチされた室温などの鮮明な入力を変換し、さらに処理するために制御システムに渡します。 ファジーロジック制御システムは、ファジーロジックに基づいています。 エアコンや洗濯機などの一般的な家電製品には、ファジー制御システムが搭載されています。

読む：インドの機械学習開発者の給与

推論エンジン

推論エンジンは、入力値とルールがどの程度一致するかを決定します。 ルールは、受け取った入力値に基づいて適用されます。 次に、ルールを使用して制御アクションを開発します。 推論エンジンと知識ベースを合わせて、ファジー論理システムではコントローラーと呼ばれます。

非ファジー化

これは、ファジー化の逆のプロセスです。 ここで、ファジー値はマッピングによって鮮明な値に変換されます。 これを行うにはいくつかの非ファジー化方法がありますが、入力に従って最適な方法が選択されます。 これは、最大メンバーシップの原則、加重平均法、重心法などの方法が使用される複雑なプロセスです。

人工知能におけるファジー論理の利点

ファジー論理システムを使用する利点は次のとおりです。

• 正確な入力が不要な堅牢なシステムです
• これらのシステムは、あいまいな、歪んだ、または不正確なデータを含むいくつかのタイプの入力に対応できます。
• フィードバックセンサーが機能しなくなった場合は、状況に応じて再プログラムできます
• ファジーロジックアルゴリズムは、より少ないデータを使用してコーディングできるため、巨大なメモリスペースを占有しません
• 人間の推論に似ているため、これらのシステムは、あいまいな入力が利用可能な複雑な問題を解決し、それに応じて決定を下すことができます。
• これらのシステムは柔軟性があり、ルールを変更できます
• システムはシンプルな構造で、簡単に構築できます
• これらのシステムは安価なセンサーに対応できるため、システムコストを節約できます。

また読む：ユースケースを伴う機械学習アルゴリズムのタイプ

人工知能におけるファジー論理のデメリット

ファジー論理システムの欠点を見てみましょう。

• システムは主に不正確なデータと入力で動作するため、これらのシステムの精度は低下します
• ファジーロジックを使用して問題を解決するための単一の体系的なアプローチはありません。 その結果、特定の問題に対して多くの解決策が生じ、混乱を招きます
• 結果が不正確であるため、必ずしも広く受け入れられているとは限りません。
• ファジー論理制御システムの主な欠点は、人間の知識と専門知識に完全に依存していることです。
• ファジー論理制御システムのルールを定期的に更新する必要があります
• これらのシステムは、機械学習やニューラルネットワークを認識できません
• システムは、妥当性確認と検証のために多くのテストを必要とします

ファジィ論理の応用

ファジーロジックのアプリケーションは、いくつかの分野に広がっています。 それらは次のとおりです。

薬

• 患者に麻酔を提供する際の動脈圧の制御
• 診断放射線学および診断サポートシステムで使用されます
• 前立腺がんと糖尿病の診断

輸送システム

• 地下鉄の運行の取り扱い
• 列車のスケジュールを管理する
• 車速、加速度、車輪速度などのパラメータに基づいて車両をブレーキおよび停止します

防衛

• 水中でのターゲットの特定と認識
• 海軍の意思決定をサポートします
• ターゲット認識のための熱赤外線画像の使用
• 超高速迎撃機の制御に使用されます

業界

• 浄水場の管理
• 構造設計における制約充足の問題の処理
• 品質保証のためのパターン分析
• ファジーロジックは、汚泥廃水処理に取り組むために使用されます

海軍管制

• ステアは適切に出荷されます
• 目的地に到達するための最適または可能な限り最良のルートを選択する
• オートパイロットはファジーロジックに基づいています
• 自律型水中ビークルはファジーロジックを使用して制御されます

ファジーロジックを搭載した洗浄システム

ファジーロジックを搭載した最新の洗濯機は、最近人気が高まっています。 それらは、温度の変化を継続的に追跡するセンサーを備えています。 それに応じてコントロールと操作を調整します。 これらのシステムは優れたパフォーマンスを発揮し、生産性とコスト効率に優れています。

最良の洗浄結果を得るために、ファジーロジックは、洗浄プロセス、水温、回転速度、洗浄時間、水分摂取量、およびすすぎ性能を制御します。 高度なマシンは次のことを行います。

• 過負荷を防ぐために機械の負荷を確認してください
• 水の硬度をチェックし、布の素材の種類を決定します
• 洗剤の最適量についてユーザーにアドバイスします。 彼らはまた、洗剤が液体または粉末の形であるかどうかをチェックします
• 彼らは以前の洗浄経験から学び、洗浄結果を向上させるためのアルゴリズムを記憶します

ほとんどのシステムは、衣類を洗うときに電力を節約するのに役立つ省エネ技術に基づいています。 これらの機能は、週に2〜3回たくさんの衣類を洗う場合でも、エネルギーを節約するのに役立ちます。 センサーは洗浄プロセス全体を監視し、最良の洗浄結果を得るために必要な調整と修正を行います。

これらの洗濯機のファジーロジックは、衣服の汚れや汚れの量、回転の方向、必要な石鹸の量をチェックします。 より良い回転のために、洗浄負荷は適切にバランスが取れています。 不均衡が検出された場合、回転速度が低下します。 さらに、洗浄負荷のバランスをとることで、回転音を低減できます。

パナソニックなどの企業は、食器洗い機で同様の技術を使用しています。 ファジーロジックは、食器洗い機の洗浄サイクルの調整、および洗浄とすすぎの方法に使用されます。 機械の性能は、洗濯機に入れる皿の数にも依存します。

結論

人工知能のファジーロジックは人間の推論を模倣するのに役立ちますが、これらのシステムを構築するには専門家の指導が必要です。 これにより、システムをよりよく理解している専門家の経験に頼ることができます。 ファジーロジックは、アルゴリズムの実行を強化するためにも使用できます。 IBM Watsonは、ファジーロジックとファジーセマンティクスを使用します。

機械学習とNLPでupGradの高度な証明書プログラムをチェックアウトします。 このコースは、機械学習に関心のあるさまざまな種類の学生を念頭に置いて作成されており、1-1のメンターシップなどを提供しています。

実生活でのファジーロジックのアプリケーションは何ですか？

ファジーロジックは、通常のロジックと同じアプリケーションに使用されますが、不正確な推論を処理する機能があります。 ファジーロジックの主なアプリケーションは、人工知能です。 ファジーロジックは、ファクトリコントローラと産業用ソフトウェアで使用されます。 また、キッチン、ホームシアターとエンターテインメント、冷暖房、電子レンジ、デジタルカメラ、冷蔵庫、テレビなどの最新の電化製品のほとんどは、ファジー論理を使用しています。 システムは双方向です。 ファジーロジックを使用してインテリジェントな決定を下しますが、顧客もファジーで応答します。 したがって、システムをより正確にするために、研究者はそのようなデバイスにファジーサイエンスを適用します。

ファジーロジックの制限は何ですか？

ファジー論理は、従来の2進値の代わりに実数値を使用して論理ステートメントを表す方法です。 ファジー論理には、不正確なデータの処理と人間の思考の固有の推論という2つの大きな制限があります。 これらの問題は両方とも互いに関連しています。 システム内のデータが不正確である場合、人間は知識や関係を推測することはできません。 今後の研究がこれらの問題の解決につながることが期待されます。

ファジー制御の利点は何ですか？

ファジー制御では、設定値に基づく制御とは対照的に、プロセスからの実際の出力に基づく制御が可能です。 これは、制御ループの出力が特定の値に固定されていないが、特定の範囲内で変化できることを意味します。 これにより、特に入力と出力の間に非線形の関係があるアプリケーションでは、固定小数点制御よりも優れた制御が可能になります。