Tutorial de lógica difusa: cualidades, arquitectura, aplicaciones, pros y contras, diferencias

Publicado: 2020-04-30

Cuando tienes que tomar una decisión, ¿cuántas veces es un simple Sí o No? Muchas veces, sus opciones son una variación de las preguntas Sí o No, donde tiene varios grados de opciones presentes entre las dos.

Supongamos que alguien te pregunta: "¿Irás a esa fiesta esta noche?" Su respuesta probablemente sería 'Tal vez sí' o 'Desde luego que no', en lugar de un simple Sí o No.

La toma de decisiones humanas se basa mucho en elecciones tan vagas. Y en IA, este concepto se llama lógica difusa.

En este tutorial de lógica difusa , aprenderá qué es la lógica difusa, cómo funciona y cuáles son sus aplicaciones. Empecemos.

Tabla de contenido

¿Qué es la lógica difusa? Explicación

Fuzzy se refiere a la falta de claridad. Hay muchos casos en los que no puede tomar una decisión simple de 'Sí o No'. En esos casos, tendrá que hacer una elección dinámica. La lógica difusa te ayuda en ese sentido.

Le brinda una opción flexible y le permite razonar con más datos y variables. Hay muchas aplicaciones de lógica difusa en IA porque no se puede usar lógica booleana o similar en todas partes. Se asemeja al razonamiento humano y considera todas las posibilidades que existen entre el Sí y el No de elección.

La lógica habitual solo considera dos posibilidades: Sí y No. Pero los humanos no toman decisiones así. Tienen muchas posibilidades entre Sí y No, como Posiblemente Sí y Posiblemente No. La lógica difusa tiene en cuenta todas esas posibilidades.

Más información: Los 5 mejores modelos de aprendizaje automático explicados para principiantes

Una pequeña historia

Lotfi Zadeh , científico informático y matemático, ideó la lógica difusa cuando se dio cuenta de que existe una gran diferencia entre la toma de decisiones de los humanos y las computadoras. Señaló que la lógica informática convencional no podía manipular los datos para representar ideas poco claras similares a las de los humanos.

Como mencionamos anteriormente, hay muchas aplicaciones de lógica difusa en IA . Pero también puede verlo en muchos otros campos, ya que permite que la inteligencia artificial distinga datos que no se alinean con la lógica booleana. Esto significa que los datos no son ni verdaderos ni falsos.

Cualidades de la lógica difusa

La lógica difusa puede parecer un poco complicada, pero es una técnica flexible de aprendizaje automático que puede implementar muy fácilmente. Te permite imitar el pensamiento humano. También es perfecto para resolver problemas donde la incertidumbre es alta.

Le permite construir funciones no lineales que poseen una complejidad arbitraria. Pero debe asegurarse de construirlo después de tener suficiente conocimiento del mismo porque es sencillo cometer errores en este caso.

¿Cuándo no debe usar la lógica difusa?

Hay algunos casos en los que no debe usar la lógica difusa. Éstos son algunos de ellos:

  • Cuando puede usar la lógica convencional para llegar a una solución, no necesita usar la lógica difusa porque complicaría demasiado todo.
  • Los controladores no necesariamente requieren lógica difusa
  • Si no puede asignar la entrada a la salida, no debe usar la lógica difusa

¿Cómo funciona la lógica difusa? (Arquitectura)

La arquitectura de la lógica difusa tiene los siguientes componentes:

  • Normas
  • fuzzificador
  • Inferencia (Inteligencia)
  • Desborrador

Reglas: Todas las reglas del fuzzificador permanecen almacenadas en la Base de Reglas. Todas las condiciones SI-ENTONCES que ingresas en la lógica también permanecen aquí para que pueda tomar las decisiones. Las actualizaciones recientes en lógica difusa permiten a los expertos en IA reducir la cantidad de reglas que necesitan.

Fuzzifier: Fuzzifier convierte la entrada (números nítidos) en conjuntos borrosos. Sus sensores miden las entradas de crips y las pasan al sistema de control para que la lógica pueda procesarlas más.

Inferencia: Después del Fuzzifier viene el motor de inferencia. Encuentra cuánto coincide la entrada difusa con las reglas. También selecciona qué reglas tiene que aplicar según el campo de entrada que tenga.

Defuzzifier: en esta etapa, el defuzzifier convierte los conjuntos borrosos que recibe en una salida nítida. Hay muchas formas de defuzzificación disponibles, por lo que deberá elegir una de acuerdo con sus necesidades.

Leer: Aplicaciones de IA en el mundo real

Diferencias entre lógica difusa y probabilidad

Para comprender correctamente el concepto de este tutorial de lógica difusa , deberá observar las diferencias entre la lógica difusa y la probabilidad porque confunde a muchas personas.

La primera gran diferencia entre los dos es el tema que tratan. La lógica difusa funciona con hechos, mientras que la probabilidad funciona con eventos que pueden ocurrir o no. La lógica difusa transmite una verdad parcial, mientras que la probabilidad transmite un conocimiento parcial.

Además, la lógica difusa toma la verdad como base matemática, mientras que la probabilidad construye un modelo de ignorancia.

Diferencias entre borroso y nítido

Hay muchas diferencias entre los dos. En primer lugar, un conjunto de tiempo nítido podría ser borroso, pero un conjunto de tiempo borroso no puede ser nítido. La ley de no contradicción y el medio excluido podrían (o no) cumplirse en la lógica de Crisp. Por otro lado, con la lógica difusa, estas leyes se cumplen.

La lógica nítida tiene límites estrictos; es decir, podría ser Verdadero o Falso. Y la lógica difusa tiene múltiples grados de pertenencia.

Lea también: Ideas de proyectos de aprendizaje automático para principiantes

¿Cuáles son las aplicaciones de la lógica difusa?

Las siguientes son las principales aplicaciones de la lógica difusa en diferentes industrias:

Sector automotriz

Las empresas automotrices usan lógica difusa en IA para crear frenos antibloqueo. La lógica difusa puede determinar cuándo es necesario aplicar los frenos antibloqueo de acuerdo con la aceleración y la velocidad del automóvil para evitar un accidente.

Otro uso de la lógica difusa en los automóviles es la transmisión automática. En esos casos, la lógica difusa controla el encendido y la inyección de combustible de acuerdo con las RPM y la configuración del acelerador. El control de crucero es una característica en la que el automóvil mantiene una velocidad específica y permite que el conductor se tome un descanso de presionar el acelerador.

La lógica difusa ayuda a ajustar la configuración del acelerador para mantener la velocidad designada del automóvil.

Aptitud física

Omron utiliza reglas de lógica difusa para verificar los niveles de condición física de sus empleados. Han agregado su conjunto específico de reglas para este propósito. Con su ayuda, muchas empresas pueden controlar el estado físico de sus empleados y proporcionar instalaciones en consecuencia.

Otras aplicaciones

  • Los hornos de microondas usan lógica difusa para elegir la opción de cocción adecuada.
  • Los sistemas de diagnóstico de golf aplican reglas difusas para recomendar el palo de golf más adecuado según el físico del golfista y otros factores
  • Los sistemas de control de ascensores determinan el tiempo de espera según el número de pasajeros que tengan. Implementan lógica difusa para este propósito.
  • Los lavavajillas utilizan lógica difusa para elegir los ajustes de limpieza correctos (ciclos, tiempo de enjuague y lavado, etc.) de acuerdo con los platos que tienen.

¿Ventajas y desventajas de la lógica difusa?

ventajas

  • La lógica difusa tiene una estructura simple que es muy fácil de entender.
  • Tiene aplicaciones en muchas industrias, incluyendo automóviles y electrodomésticos.
  • Resuelve problemas de incertidumbre con mejor efectividad que otros algoritmos
  • Versátil en uso porque no necesita insumos precisos para su funcionamiento
  • Debido a su estructura simple, puede modificarlo fácilmente y mejorar su rendimiento.
  • Si los sensores de retroalimentación no funcionan, puede usar la lógica difusa para resolver esos problemas

Desventajas

  • No es capaz de realizar un reconocimiento de patrones similar a las redes neuronales.
  • Verificar y validar un sistema basado en lógica difusa requiere muchas pruebas de hardware
  • Establecer reglas difusas es una tarea bastante difícil
  • La salida de la lógica difusa no siempre es precisa. Esto puede causar problemas en algunos casos, ya que el resultado podría no ser aceptable.

Pensamientos finales

Ahora hemos llegado al final de nuestro tutorial de lógica difusa . Esperamos que este artículo le haya resultado útil. La lógica difusa es seguramente uno de los conceptos más populares y simples de la inteligencia artificial.

Si desea obtener más información sobre la lógica difusa y otros conceptos de IA, le recomendamos que visite nuestro blog. Allí encontrará muchos artículos útiles.

Y si desea una experiencia de aprendizaje más detallada y estructurada, debe tomar un curso de IA y comenzar con eso. Un curso de inteligencia artificial te dará todos los conocimientos que necesitas sobre este tema con mucha facilidad.

Si está interesado en obtener más información sobre el aprendizaje automático, consulte el Diploma PG en aprendizaje automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, IIIT- B Estado de exalumno, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.

¿Cómo son útiles las coberturas lingüísticas en un sistema de inferencia difuso?

¿Cuál es el enfoque de Mamdani para la lógica difusa?

El enfoque de Mamdani se presentó como el primer intento de controlar una máquina de vapor y un sistema de caldera utilizando reglas de control de lenguaje obtenidas de operadores humanos experimentados. Cada regla en un sistema Mamdani produce un conjunto borroso como salida. Los sistemas Mamdani se adaptan bien a las aplicaciones de sistemas expertos donde las reglas se desarrollan a partir del conocimiento experto humano, como los diagnósticos médicos, ya que sus bases de reglas son más intuitivas y fáciles de entender.

¿Qué es el teorema de aproximación difusa (FAT) y su razonamiento?

Según Bart Kosko, la aproximación difusa (FAT) indica que un sistema difuso puede imitar cualquier sistema continuo. Cada regla funciona como un parche difuso que el sistema aplica a la respuesta para que parezca la respuesta del sistema continuo. Mientras que el razonamiento aproximado borroso se refiere al método utilizado para derivar una conclusión probable imprecisa de un conjunto de premisas imprecisas. En el razonamiento aproximado, la lógica difusa es capaz de lidiar con muchos tipos de incertidumbre.