Lógica difusa en inteligencia artificial: arquitectura, aplicaciones, ventajas y desventajas

En nuestra vida diaria, no siempre puede tomar una decisión diciendo Sí o No. Esto se debe a que puede enfrentar situaciones en las que no hay suficiente información para tomar una decisión. O bien, podemos estar un poco confundidos nosotros mismos. Por ejemplo, si alguien le pregunta si está disponible en una fecha determinada el próximo mes, probablemente no diga Sí o No de inmediato. Es porque no está completamente seguro de que no estará ocupado en esa misma fecha el próximo mes.

¿No es complicado? Fuzzy Logic en inteligencia artificial ayuda a las computadoras a lidiar con situaciones similares donde los datos de entrada son un poco confusos.

Obtenga capacitación en aprendizaje automático de las mejores universidades del mundo. Obtenga programas de maestría, PGP ejecutivo o certificado avanzado para acelerar su carrera.

¿Qué es la lógica difusa?

El término Fuzzy significa algo que es un poco vago. Cuando una situación es vaga, es posible que la computadora no pueda producir un resultado que sea Verdadero o Falso. Según la lógica booleana, el valor 1 se refiere a Verdadero y 0 significa Falso. Pero un algoritmo de Lógica Difusa considera todas las incertidumbres de un problema, donde puede haber valores posibles además de Verdadero o Falso.

El término Fuzzy Logic fue descrito por primera vez por Lotfi Zadeh en 1965 . Pensó que la lógica informática tradicional no es capaz de manejar datos poco claros o vagos. Similar a los humanos, hay muchos valores posibles entre Verdadero y Falso que una computadora puede incorporar. Estos pueden ser:

• Ciertamente si
• Posiblemente si
• no puedo decir
• posiblemente no
• Ciertamente no

Echa un vistazo a este sencillo ejemplo de Fuzzy Logic:

Problema : Lógica booleana

Solución

• Sí (1.0)
• No (0)

De acuerdo con la lógica booleana convencional, el algoritmo tomará una entrada definida y producirá un resultado preciso Sí o No. Esto se representa mediante 0 y 1, respectivamente.

Lógica difusa

Solución

• Muy caliente (0.9)
• Un poco de calor (0.20)
• Moderadamente caliente (0.35)
• No caliente (1.0)

Según el ejemplo anterior, Fuzzy Logic tiene una gama más amplia de salidas, como muy caliente, moderadamente caliente y no caliente. Estos valores entre 0 y 1 muestran el rango de posibilidades.

Por lo tanto, en los casos en que no se pueda proporcionar un razonamiento preciso, Fuzzy Logic proporciona un método de razonamiento aceptable. Un algoritmo basado en Fuzzy Logic toma todos los datos disponibles mientras resuelve un problema. Luego toma la mejor decisión posible de acuerdo con la entrada dada.

Charles Elkan, profesor asistente del departamento de ingeniería y ciencias de la computación de la Universidad de California en San Diego, arrojó algo de luz sobre la lógica difusa. Dijo que la lógica difusa en inteligencia artificial es una forma generalizada de lógica estándar, donde cualquier concepto puede tener un grado de verdad que oscila entre 0,0 y 1,0. La lógica difusa se puede utilizar para conceptos vagos, como la característica de altura. Por ejemplo, podemos decir que el presidente Clinton es alto y el concepto puede tener un grado de verdad de 0,9.

Dijo además que Fuzzy Logic es muy útil en el control de máquinas de bajo nivel, especialmente en electrodomésticos. Algunos microprocesadores de propósito especial basados ​​en Fuzzy Logic realizan operaciones difusas en su hardware.

Comprendamos ahora la lógica difusa en la inteligencia artificial observando su arquitectura.

Leer: Ideas de proyectos de aprendizaje automático

Arquitectura de lógica difusa

La arquitectura de Fuzzy Logic consta de los siguientes componentes:

base de reglas

Este es el conjunto de reglas junto con las condiciones Si-Entonces que se utilizan para tomar decisiones. Pero, los desarrollos modernos en Fuzzy Logic han reducido el número de reglas en la base de reglas. Este conjunto de reglas también se denomina base de conocimiento.

fuzzificación

Este es el paso donde los números nítidos se convierten en conjuntos borrosos . Un conjunto nítido es un conjunto de elementos que tienen propiedades idénticas. Según cierta lógica, un elemento puede pertenecer al conjunto o no. Los conjuntos nítidos se basan en lógica binaria: respuestas de sí o no.

Aquí, las señales de error y los valores físicos se convierten en un subconjunto difuso normalizado. En cualquier sistema Fuzzy Logic, el fuzzificador separa las señales de entrada en cinco estados que son:

• Gran positivo
• Medio positivo
• Pequeña
• Negativo medio
• Negativo grande

El proceso de fuzzificación convierte entradas nítidas, como la temperatura ambiente, obtenidas por sensores y las pasa al sistema de control para su posterior procesamiento. Un sistema de control Fuzzy Logic se basa en Fuzzy Logic. Los electrodomésticos comunes, como acondicionadores de aire y lavadoras, tienen sistemas Fuzzy Control dentro de ellos.

Leer: Salario de desarrollador de aprendizaje automático en India

Máquina de inferencia

El motor de inferencia determina cuánto coinciden los valores de entrada y las reglas. Las reglas se aplican en función de los valores de entrada recibidos. Luego, las reglas se utilizan para desarrollar acciones de control. El motor de inferencia y la base de conocimientos juntos se denominan controlador en un sistema de lógica difusa.

defuzzificación

Este es el proceso inverso de fuzzificación . Aquí, los valores borrosos se convierten en valores nítidos mediante el mapeo. Habrá varios métodos de desfuzzificación para hacer esto, pero el mejor se selecciona según la entrada. Este es un proceso complicado donde se utilizan métodos, como el principio de membresía máxima, el método de promedio ponderado y el método del centroide.

Ventajas de la Lógica Difusa en Inteligencia Artificial

Los beneficios de usar sistemas Fuzzy Logic son los siguientes:

• Es un sistema robusto donde no se requieren entradas precisas
• Estos sistemas pueden acomodar varios tipos de entradas, incluidos datos vagos, distorsionados o imprecisos.
• En caso de que el sensor de retroalimentación deje de funcionar, puede reprogramarlo según la situación
• Los algoritmos de Fuzzy Logic se pueden codificar utilizando menos datos, por lo que no ocupan un gran espacio de memoria
• Como se asemeja al razonamiento humano, estos sistemas pueden resolver problemas complejos en los que hay entradas ambiguas disponibles y tomar decisiones en consecuencia.
• Estos sistemas son flexibles y las reglas se pueden modificar.
• Los sistemas tienen una estructura simple y se pueden construir fácilmente.
• Puede ahorrar costos del sistema ya que estos sistemas pueden acomodar sensores económicos

Lea también: Tipos de algoritmos de aprendizaje automático con casos de uso

Desventajas de la lógica difusa en inteligencia artificial

Veamos los inconvenientes de los sistemas Fuzzy Logic:

• La precisión de estos sistemas se ve comprometida ya que el sistema funciona principalmente con datos e insumos inexactos.
• No existe un único enfoque sistemático para resolver un problema usando Fuzzy Logic. Como resultado, surgen muchas soluciones para un problema en particular, lo que genera confusión.
• Debido a la inexactitud de los resultados, no siempre son ampliamente aceptados.
• Un inconveniente importante de los sistemas de control Fuzzy Logic es que dependen completamente del conocimiento y la experiencia humanos.
• Tienes que actualizar regularmente las reglas de un sistema de control Fuzzy Logic
• Estos sistemas no pueden reconocer el aprendizaje automático o las redes neuronales.
• Los sistemas requieren muchas pruebas para su validación y verificación.

Aplicaciones de la lógica difusa

Las aplicaciones de Fuzzy Logic se extienden a través de varios campos. Son los siguientes:

Medicamento

• Control de la presión arterial al administrar anestesia a los pacientes
• Utilizado en radiología diagnóstica y sistemas de apoyo al diagnóstico.
• Diagnóstico de cáncer de próstata y diabetes.

Sistemas de transporte

• Manejo de operaciones de trenes subterráneos
• Control de horarios de trenes.
• Frenar y detener vehículos en función de parámetros, como la velocidad del automóvil, la aceleración y la velocidad de las ruedas

Defensa

• Localización y reconocimiento de objetivos bajo el agua
• Apoya la toma de decisiones navales
• Uso de imágenes infrarrojas térmicas para el reconocimiento de objetivos
• Se utiliza para controlar los interceptores de hipervelocidad.

Industria

• Control de plantas potabilizadoras de agua
• Manejo de problemas en la satisfacción de restricciones en el diseño estructural
• Análisis de patrones para el aseguramiento de la calidad
• Fuzzy Logic se utiliza para abordar el tratamiento de aguas residuales de lodos

mando naval

• Dirigir los barcos correctamente
• Seleccionar las rutas óptimas o mejores posibles para llegar a un destino
• El piloto automático se basa en la lógica difusa
• Los vehículos submarinos autónomos se controlan mediante Fuzzy Logic

Sistemas de lavado impulsados ​​por Fuzzy Logic

Las lavadoras modernas con tecnología Fuzzy Logic se están volviendo populares en estos días. Tienen sensores que rastrean continuamente las variaciones de temperatura. Ajusta los controles y las operaciones en consecuencia. Estos sistemas funcionan bien, son productivos y rentables.

Para obtener los mejores resultados de lavado, Fuzzy Logic controla el proceso de lavado, la temperatura del agua, la velocidad de centrifugado, el tiempo de lavado, la entrada de agua y el rendimiento del enjuague. Las máquinas avanzadas hacen lo siguiente:

• Compruebe la carga de la máquina para evitar sobrecargas.
• Verifique la dureza del agua y determine el tipo de material de la tela.
• Aconseja al usuario sobre la cantidad óptima de detergente. También comprueban si el detergente está en forma líquida o en polvo.
• Aprenden de experiencias de lavado anteriores y memorizan algoritmos para mejorar los resultados del lavado.

La mayoría de los sistemas se basan en tecnología de ahorro de energía que te ayuda a ahorrar energía mientras lavas la ropa. Estas características lo ayudan a ahorrar energía incluso si lava mucha ropa 2 o 3 veces por semana. Los sensores monitorean todo el proceso de lavado y hacen los ajustes y correcciones necesarios para obtener los mejores resultados de lavado.

Fuzzy Logic en estas lavadoras verifica la cantidad de suciedad y mugre en la ropa, la dirección del centrifugado y la cantidad de jabón requerida. Para un mejor centrifugado, la carga de lavado está correctamente equilibrada. En caso de que se detecte un desequilibrio, se reduce la velocidad de centrifugado. Además, equilibrar la carga de lavado ayuda a reducir el ruido de centrifugado.

Empresas como Panasonic utilizan tecnología similar en sus lavavajillas. Fuzzy Logic se utiliza para ajustar los ciclos de limpieza de los lavavajillas, junto con los métodos de lavado y enjuague. El rendimiento de la máquina también depende del número de platos que se pongan en la lavadora.

Conclusión

Aunque la lógica difusa en la inteligencia artificial ayuda a imitar el razonamiento humano, estos sistemas necesitan una guía experta para construirse. Esto le permite confiar en la experiencia de expertos que tienen una mejor comprensión del sistema. Fuzzy Logic también se puede utilizar para mejorar la ejecución de algoritmos. IBM Watson utiliza lógica difusa y semántica difusa .

Consulte el programa de certificado avanzado de upGrad en aprendizaje automático y PNL. Este curso se ha diseñado teniendo en cuenta varios tipos de estudiantes interesados ​​en el aprendizaje automático, ofrece tutoría 1-1 y mucho más.

¿Cuáles son las aplicaciones de la lógica difusa en la vida real?

La lógica difusa se usa para las mismas aplicaciones que la lógica regular, pero con la capacidad de manejar razonamientos inexactos. La aplicación principal de la lógica difusa es para la inteligencia artificial. La lógica difusa se utiliza en controladores de fábrica y software industrial. Además, la mayoría de los electrodomésticos modernos en la cocina, home theater y entretenimiento, aire acondicionado y calefacción, microondas, cámara digital, refrigerador y TV, etc. usan lógica difusa. El sistema es una calle de doble sentido. Utiliza lógica difusa para tomar decisiones inteligentes, pero los clientes también responden de forma borrosa. Entonces, para hacer que el sistema sea más preciso, los investigadores aplican ciencia difusa en dichos dispositivos.

¿Cuáles son las limitaciones de la lógica difusa?

La lógica difusa es una forma de representar declaraciones lógicas utilizando valores reales en lugar de los valores binarios convencionales. La lógica difusa tiene dos limitaciones principales: el manejo de datos imprecisos y la inferencia inherente del pensamiento humano. Ambos problemas están relacionados entre sí. Si los datos son imprecisos en el sistema, entonces un ser humano no puede inferir el conocimiento o la relación. Se espera que futuras investigaciones conduzcan a la solución de estos problemas.

¿Cuáles son los beneficios del control difuso?

El control difuso permite el control basado en la salida real del proceso, a diferencia del control basado en un punto de referencia. Esto significa que la salida de un lazo de control no se fija en un valor específico, sino que se le permite variar dentro de un rango específico. Esto brinda un mejor control que el control de punto fijo, especialmente en aplicaciones con una relación no lineal entre la entrada y la salida.