Logique floue dans l'intelligence artificielle : architecture, applications, avantages et inconvénients

Dans notre vie quotidienne, vous n'êtes pas toujours en mesure de prendre une décision en disant oui ou non. En effet, vous pourriez être confronté à des situations où il n'y a pas assez d'informations pour prendre une décision. Ou, nous pouvons être un peu confus nous-mêmes. Par exemple, si quelqu'un vous demande si vous êtes disponible à une certaine date le mois prochain, vous ne direz probablement pas oui ou non tout de suite. C'est parce que vous n'êtes pas complètement sûr que vous ne serez pas occupé à cette même date le mois prochain.

Tricky n'est-ce pas? La logique floue dans l'intelligence artificielle aide les ordinateurs à faire face à des situations similaires où les données d'entrée sont un peu floues.

Bénéficiez d'une formation en apprentissage automatique dans les meilleures universités du monde. Gagnez des programmes de maîtrise, Executive PGP ou Advanced Certificate pour accélérer votre carrière.

Qu'est-ce que la logique floue ?

Le terme flou signifie quelque chose d'un peu vague. Lorsqu'une situation est vague, l'ordinateur peut ne pas être en mesure de produire un résultat vrai ou faux. Selon la logique booléenne, la valeur 1 fait référence à Vrai et 0 signifie Faux. Mais un algorithme de logique floue considère toutes les incertitudes d'un problème, où il peut y avoir des valeurs possibles en plus de Vrai ou Faux.

Le terme Fuzzy Logic a été décrit pour la première fois par Lotfi Zadeh en 1965 . Il pensait que la logique informatique traditionnelle n'est pas capable de gérer des données peu claires ou vagues. Semblable aux humains, il existe de nombreuses valeurs possibles entre Vrai et Faux qu'un ordinateur peut intégrer. Ceux-ci peuvent être :

• Oui, certainement
• Peut-être oui
• Je ne peux pas dire
• Peut-être non
• Certainement pas

Découvrez cet exemple simple de logique floue :

Problème – Logique booléenne

Solution

• Oui (1.0)
• Non (0)

Selon la logique booléenne conventionnelle, l'algorithme prendra une entrée définie et produira un résultat précis Oui ou Non. Ceci est représenté par 0 et 1, respectivement.

Logique floue

Solution

• Très chaud (0.9)
• Peu chaud (0.20)
• Modérément chaud (0,35)
• Pas chaud (1.0)

Comme dans l'exemple ci-dessus, Fuzzy Logic a une gamme plus large de sorties, telles que très chaud, modérément chaud et pas chaud. Ces valeurs comprises entre 0 et 1 affichent l'éventail des possibilités.

Ainsi, dans les cas où un raisonnement précis ne peut être fourni, la logique floue fournit une méthode de raisonnement acceptable. Un algorithme basé sur la logique floue prend toutes les données disponibles lors de la résolution d'un problème. Il prend ensuite la meilleure décision possible en fonction de l'entrée donnée.

Charles Elkan, professeur adjoint au département d'informatique et d'ingénierie de l'Université de Californie à San Diego, a fait la lumière sur la logique floue. Il a dit que la logique floue dans l'intelligence artificielle est une forme généralisée de logique standard, où tout concept peut avoir un degré de vérité compris entre 0,0 et 1,0. La logique floue peut être utilisée pour des concepts vagues, tels que la caractéristique de hauteur. Par exemple, on peut dire que le président Clinton est grand, et le concept peut avoir un degré de vérité de 0,9.

Il a ajouté que Fuzzy Logic est très utile dans le contrôle de machine de bas niveau, en particulier dans les appareils grand public. Certains microprocesseurs spéciaux construits sur la logique floue effectuent des opérations floues sur leur matériel.

Comprenons maintenant la logique floue dans l'intelligence artificielle en regardant son architecture.

Lire : Idées de projets d'apprentissage automatique

Architecture de logique floue

L'architecture de Fuzzy Logic se compose des composants suivants :

Base de règles

Il s'agit de l'ensemble de règles ainsi que des conditions Si-Alors qui sont utilisées pour prendre des décisions. Mais, les développements modernes de Fuzzy Logic ont réduit le nombre de règles dans la base de règles. Cet ensemble de règles est également appelé base de connaissances.

Fuzzification

C'est l'étape où les nombres nets sont convertis en ensembles flous . Un ensemble net est un ensemble d'éléments qui ont des propriétés identiques. Selon une certaine logique, un élément peut appartenir à l'ensemble ou non. Les ensembles nets sont basés sur une logique binaire - réponses Oui ou Non.

Ici, les signaux d'erreur et les valeurs physiques sont convertis en un sous-ensemble flou normalisé. Dans tout système Fuzzy Logic, le fuzzifier sépare les signaux d'entrée en cinq états qui sont :

• Grand positif
• Moyennement positif
• Petit
• Moyen négatif
• Grand négatif

Le processus de fuzzification convertit les entrées nettes, telles que la température ambiante, récupérées par les capteurs et les transmet au système de contrôle pour un traitement ultérieur. Un système de contrôle Fuzzy Logic est basé sur Fuzzy Logic. Les appareils électroménagers courants, tels que les climatiseurs et les machines à laver, sont équipés de systèmes Fuzzy Control.

Lire : Salaire d'un développeur d'apprentissage automatique en Inde

Moteur d'inférence

Le moteur d'inférence détermine dans quelle mesure les valeurs d'entrée et les règles correspondent. Les règles sont appliquées en fonction des valeurs d'entrée reçues. Ensuite, les règles sont utilisées pour développer des actions de contrôle. Le moteur d'inférence et la base de connaissances sont appelés ensemble un contrôleur dans un système de logique floue.

Défuzzification

C'est le processus inverse de la fuzzification . Ici, les valeurs floues sont converties en valeurs nettes par mappage. Il y aura plusieurs méthodes de défuzzification pour ce faire, mais la meilleure est sélectionnée en fonction de l'entrée. Il s'agit d'un processus compliqué où des méthodes telles que le principe d'adhésion maximale, la méthode de la moyenne pondérée et la méthode du centroïde sont utilisées.

Avantages de la logique floue dans l'intelligence artificielle

Les avantages de l'utilisation des systèmes Fuzzy Logic sont les suivants :

• C'est un système robuste où aucune entrée précise n'est requise
• Ces systèmes sont capables d'accueillir plusieurs types d'entrées, y compris des données vagues, déformées ou imprécises
• Si le capteur de retour cesse de fonctionner, vous pouvez le reprogrammer en fonction de la situation
• Les algorithmes Fuzzy Logic peuvent être codés en utilisant moins de données, ils n'occupent donc pas un espace mémoire énorme
• Comme il ressemble au raisonnement humain, ces systèmes sont capables de résoudre des problèmes complexes où des entrées ambiguës sont disponibles et de prendre des décisions en conséquence.
• Ces systèmes sont flexibles et les règles peuvent être modifiées
• Les systèmes ont une structure simple et peuvent être construits facilement
• Vous pouvez réduire les coûts du système car des capteurs peu coûteux peuvent être pris en charge par ces systèmes

Lisez également : Types d'algorithmes d'apprentissage automatique avec cas d'utilisation

Inconvénients de la logique floue dans l'intelligence artificielle

Regardons les inconvénients des systèmes Fuzzy Logic :

• La précision de ces systèmes est compromise car le système fonctionne principalement sur des données et des entrées inexactes
• Il n'existe pas d'approche systématique unique pour résoudre un problème à l'aide de la logique floue. En conséquence, de nombreuses solutions se présentent pour un problème particulier, ce qui conduit à la confusion
• En raison de l'imprécision des résultats, ils ne sont pas toujours largement acceptés
• Un inconvénient majeur des systèmes de contrôle Fuzzy Logic est qu'ils dépendent complètement des connaissances et de l'expertise humaines
• Vous devez régulièrement mettre à jour les règles d'un système de contrôle Fuzzy Logic
• Ces systèmes ne peuvent pas reconnaître l'apprentissage automatique ou les réseaux de neurones
• Les systèmes nécessitent de nombreux tests de validation et de vérification

Applications de la logique floue

Les applications de la logique floue sont réparties dans plusieurs domaines. Ils sont les suivants :

Médicament

• Contrôle de la pression artérielle lors de l'anesthésie des patients
• Utilisé dans la radiologie diagnostique et les systèmes d'aide au diagnostic
• Diagnostic du cancer de la prostate et du diabète

Systèmes de transport

• Gestion des opérations de métro
• Contrôler les horaires des trains
• Freiner et arrêter les véhicules en fonction de paramètres tels que la vitesse de la voiture, l'accélération et la vitesse des roues

La défense

• Localisation et reconnaissance de cibles sous l'eau
• Prend en charge la prise de décision navale
• Utilisation d'images infrarouges thermiques pour la reconnaissance de cibles
• Utilisé pour contrôler les intercepteurs à hypervitesse

Industrie

• Contrôle des stations d'épuration
• Traitement des problèmes de satisfaction des contraintes dans la conception structurelle
• Analyse de modèle pour l'assurance qualité
• Fuzzy Logic est utilisé pour s'attaquer au traitement des boues d'épuration

Contrôle naval

• Bien diriger les navires
• Sélection des itinéraires optimaux ou meilleurs possibles pour atteindre une destination
• Le pilote automatique est basé sur la logique floue
• Les véhicules sous-marins autonomes sont contrôlés à l'aide de la logique floue

Systèmes de lavage alimentés par Fuzzy Logic

Les machines à laver modernes alimentées par Fuzzy Logic deviennent populaires de nos jours. Ils sont équipés de capteurs qui suivent en permanence les variations de température. Il ajuste les commandes et les opérations en conséquence. Ces systèmes fonctionnent bien, sont productifs et rentables.

Pour de meilleurs résultats de lavage, Fuzzy Logic contrôle le processus de lavage, la température de l'eau, la vitesse d'essorage, le temps de lavage, la consommation d'eau et les performances de rinçage. Les machines avancées font ce qui suit :

• Vérifier la charge de la machine pour éviter la surcharge
• Vérifier la dureté de l'eau et déterminer le type de tissu
• Conseille l'utilisateur sur la quantité optimale de détergent. Ils vérifient également si le détergent est sous forme liquide ou en poudre
• Ils apprennent des expériences de lavage précédentes et mémorisent des algorithmes pour améliorer les résultats de lavage

La plupart des systèmes sont basés sur une technologie d'économie d'énergie qui vous aide à économiser de l'énergie lors du lavage des vêtements. Ces caractéristiques vous aident à économiser de l'énergie même si vous lavez beaucoup de vêtements 2 à 3 fois par semaine. Les capteurs surveillent l'ensemble du processus de lavage et effectuent les ajustements et les corrections nécessaires pour obtenir les meilleurs résultats de lavage.

La logique floue de ces machines à laver vérifie la quantité de saleté et de crasse sur les vêtements, le sens de l'essorage et la quantité de savon nécessaire. Pour un meilleur essorage, la charge de linge est correctement équilibrée. Si un déséquilibre est détecté, la vitesse d'essorage est diminuée. De plus, l'équilibrage de la charge de lavage aide à réduire le bruit d'essorage.

Des entreprises telles que Panasonic utilisent une technologie similaire dans leurs lave-vaisselle. La logique floue est utilisée pour ajuster les cycles de nettoyage des lave-vaisselle, ainsi que les méthodes de lavage et de rinçage. Les performances de la machine dépendent également du nombre de plats mis dans la laveuse.

Conclusion

Bien que la logique floue dans l'intelligence artificielle aide à imiter le raisonnement humain, ces systèmes nécessitent des conseils d'experts pour être construits. Cela vous permet de vous appuyer sur l'expérience d'experts qui ont une meilleure compréhension du système. La logique floue peut également être utilisée pour améliorer l'exécution des algorithmes. IBM Watson utilise la logique floue et la sémantique floue .

Consultez le programme de certificat avancé d'upGrad en apprentissage automatique et en PNL. Ce cours a été conçu en gardant à l'esprit différents types d'étudiants intéressés par l'apprentissage automatique, offrant un mentorat 1-1 et bien plus encore.

Quelles sont les applications de la logique floue dans la vraie vie ?

La logique floue est utilisée pour les mêmes applications que la logique régulière, mais avec la capacité de gérer un raisonnement inexact. L'application principale de la logique floue est l'intelligence artificielle. La logique floue est utilisée dans les contrôleurs d'usine et les logiciels industriels. En outre, la plupart des appareils modernes dans la cuisine, le home cinéma et le divertissement, la climatisation et le chauffage, le micro-ondes, l'appareil photo numérique, le réfrigérateur et la télévision, etc. utilisent la logique floue. Le système est une rue à double sens. Il utilise la logique floue pour prendre des décisions intelligentes, mais les clients réagissent également de manière floue. Ainsi, afin de rendre le système plus précis, les chercheurs appliquent la science floue sur de tels dispositifs.

Quelles sont les limites de la logique floue ?

La logique floue est un moyen de représenter des instructions logiques en utilisant des valeurs réelles au lieu des valeurs binaires conventionnelles. La logique floue a deux limitations majeures : le traitement de données imprécises et l'inférence inhérente à la pensée humaine. Ces deux problèmes sont liés l'un à l'autre. Si les données sont imprécises dans le système, alors un être humain ne peut pas déduire la connaissance ou la relation. On espère que des recherches futures permettront de résoudre ces problèmes.

Quels sont les avantages du contrôle flou ?

Le contrôle flou permet un contrôle basé sur la sortie réelle du processus, par opposition au contrôle basé sur un point de consigne. Cela signifie que la sortie d'une boucle de contrôle n'est pas fixée à une valeur spécifique, mais est autorisée à varier dans une plage spécifique. Cela donne un meilleur contrôle que le contrôle à virgule fixe, en particulier dans les applications avec une relation non linéaire entre l'entrée et la sortie.