Logica fuzzy nell'intelligenza artificiale: architettura, applicazioni, vantaggi e svantaggi

Nella nostra vita quotidiana, non sei sempre in grado di prendere una decisione dicendo Sì o No. Questo perché potresti trovarti di fronte a situazioni in cui non ci sono abbastanza informazioni per prendere una decisione. Oppure potremmo essere un po' confusi noi stessi. Ad esempio, se qualcuno ti chiede se sei disponibile in una determinata data il mese prossimo, probabilmente non dirai subito Sì o No. È perché non sei completamente sicuro di non essere impegnato proprio in quella data il mese prossimo.

Difficile vero? La logica fuzzy nell'intelligenza artificiale aiuta i computer a gestire situazioni simili in cui i dati di input sono un po' poco chiari.

Ricevi formazione sull'apprendimento automatico dalle migliori università del mondo. Guadagna master, Executive PGP o programmi di certificazione avanzati per accelerare la tua carriera.

Cos'è la logica fuzzy?

Il termine Fuzzy significa qualcosa di un po' vago. Quando una situazione è vaga, il computer potrebbe non essere in grado di produrre un risultato True o False. Secondo la logica booleana, il valore 1 si riferisce a True e 0 significa False. Ma un algoritmo Fuzzy Logic considera tutte le incertezze di un problema, dove possono esserci valori possibili oltre a Vero o Falso.

Il termine Fuzzy Logic fu descritto per la prima volta da Lotfi Zadeh nel 1965 . Pensava che la logica del computer tradizionale non fosse in grado di gestire dati poco chiari o vaghi. Simile agli esseri umani, ci sono molti possibili valori tra Vero e Falso che un computer può incorporare. Questi possono essere:

• Certamente sì
• Forse sì
• Non posso dire
• Possibilmente no
• Di certo no

Dai un'occhiata a questo semplice esempio di Fuzzy Logic:

Problema – Logica booleana

Soluzione

• Sì (1.0)
• No (0)

Secondo la logica booleana convenzionale, l'algoritmo prenderà un input definito e produrrà un risultato preciso Sì o No. Questo è rappresentato rispettivamente da 0 e 1.

Logica sfocata

Soluzione

• Molto caldo (0,9)
• Poco caldo (0,20)
• Moderatamente caldo (0,35)
• Non caldo (1.0)

Come nell'esempio sopra, Fuzzy Logic ha una gamma più ampia di uscite, come molto caldo, moderatamente caldo e non caldo. Questi valori compresi tra 0 e 1 mostrano la gamma di possibilità.

Quindi, nei casi in cui non è possibile fornire un ragionamento accurato, Fuzzy Logic fornisce un metodo di ragionamento accettabile. Un algoritmo basato su Fuzzy Logic prende tutti i dati disponibili mentre risolve un problema. Quindi prende la migliore decisione possibile in base all'input fornito.

Charles Elkan, assistente professore del dipartimento di Informatica e Ingegneria dell'Università della California a San Diego, ha fatto luce su Fuzzy Logic. Ha detto che la logica fuzzy nell'intelligenza artificiale è una forma generalizzata di logica standard, in cui qualsiasi concetto potrebbe avere un grado di verità compreso tra 0,0 e 1,0. Fuzzy Logic può essere utilizzato per concetti vaghi, come la caratteristica dell'altezza. Ad esempio, possiamo dire che il presidente Clinton è alto e il concetto può avere un grado di verità di 0,9.

Ha inoltre affermato che Fuzzy Logic è molto utile nel controllo della macchina di basso livello, specialmente negli apparecchi di consumo. Alcuni microprocessori per scopi speciali basati su Fuzzy Logic eseguono operazioni fuzzy sul proprio hardware.

Cerchiamo ora di comprendere la logica fuzzy nell'intelligenza artificiale osservando la sua architettura.

Leggi: Idee per progetti di apprendimento automatico

Architettura logica fuzzy

L'architettura di Fuzzy Logic è composta dai seguenti componenti:

Base di regole

Questo è l'insieme di regole insieme alle condizioni If-Then che vengono utilizzate per prendere decisioni. Tuttavia, gli sviluppi moderni in Fuzzy Logic hanno ridotto il numero di regole nella base di regole. Questo insieme di regole è anche chiamato knowledge base.

Fuzzificazione

Questo è il passaggio in cui i numeri nitidi vengono convertiti in insiemi fuzzy . Un crisp set è un insieme di elementi che hanno proprietà identiche. In base a una certa logica, un elemento può appartenere all'insieme o meno. I Crisp set si basano sulla logica binaria: risposte Sì o No.

Qui, i segnali di errore e i valori fisici vengono convertiti in un sottoinsieme fuzzy normalizzato. In qualsiasi sistema Fuzzy Logic, il fuzzifier separa i segnali di ingresso in cinque stati che sono:

• Grande positivo
• Medio positivo
• Piccolo
• Medio negativo
• Grande negativo

Il processo di sfocatura converte gli input nitidi, come la temperatura ambiente, prelevati dai sensori e li passa al sistema di controllo per un'ulteriore elaborazione. Un sistema di controllo Fuzzy Logic è basato su Fuzzy Logic. Gli elettrodomestici comuni, come i condizionatori d'aria e le lavatrici, dispongono di sistemi Fuzzy Control al loro interno.

Leggi: Stipendio per sviluppatori di machine learning in India

Motore di inferenza

Il motore di inferenza determina la corrispondenza tra i valori di input e le regole. Le regole vengono applicate in base ai valori di input ricevuti. Quindi, le regole vengono utilizzate per sviluppare azioni di controllo. Il motore di inferenza e la base di conoscenza insieme sono chiamati controller in un sistema Fuzzy Logic.

Defuzzificazione

Questo è il processo inverso di sfocatura . Qui, i valori fuzzy vengono convertiti in valori nitidi mediante la mappatura. Ci saranno diversi metodi di defuzzificazione per farlo, ma il migliore viene selezionato in base all'input. Questo è un processo complicato in cui vengono utilizzati metodi, come il principio di appartenenza massima, il metodo della media ponderata e il metodo del centroide.

Vantaggi della logica fuzzy nell'intelligenza artificiale

I vantaggi dell'utilizzo dei sistemi Fuzzy Logic sono i seguenti:

• È un sistema robusto in cui non sono richiesti input precisi
• Questi sistemi sono in grado di accogliere diversi tipi di input inclusi dati vaghi, distorti o imprecisi
• Nel caso in cui il sensore di feedback smetta di funzionare, è possibile riprogrammarlo in base alla situazione
• Gli algoritmi Fuzzy Logic possono essere codificati utilizzando meno dati, quindi non occupano un enorme spazio di memoria
• Poiché assomiglia al ragionamento umano, questi sistemi sono in grado di risolvere problemi complessi in cui sono disponibili input ambigui e prendere decisioni di conseguenza
• Questi sistemi sono flessibili e le regole possono essere modificate
• I sistemi hanno una struttura semplice e possono essere costruiti facilmente
• È possibile risparmiare sui costi del sistema poiché questi sistemi possono ospitare sensori economici

Leggi anche: Tipi di algoritmi di apprendimento automatico con casi d'uso

Svantaggi della logica fuzzy nell'intelligenza artificiale

Diamo un'occhiata agli svantaggi dei sistemi Fuzzy Logic:

• L'accuratezza di questi sistemi è compromessa poiché il sistema funziona principalmente su dati e input imprecisi
• Non esiste un unico approccio sistematico per risolvere un problema utilizzando Fuzzy Logic. Di conseguenza, sorgono molte soluzioni per un problema particolare, creando confusione
• A causa dell'imprecisione dei risultati, non sono sempre ampiamente accettati
• Uno dei principali inconvenienti dei sistemi di controllo Fuzzy Logic è che dipendono completamente dalle conoscenze e dalle competenze umane
• Devi aggiornare regolarmente le regole di un sistema di controllo Fuzzy Logic
• Questi sistemi non sono in grado di riconoscere l'apprendimento automatico o le reti neurali
• I sistemi richiedono molti test per la convalida e la verifica

Applicazioni della logica fuzzy

Le applicazioni di Fuzzy Logic sono distribuite in diversi campi. Sono i seguenti:

Medicinale

• Controllo della pressione arteriosa durante l'anestesia dei pazienti
• Utilizzato in radiologia diagnostica e sistemi di supporto diagnostico
• Diagnosi di cancro alla prostata e diabete

Sistemi di trasporto

• Gestione delle operazioni ferroviarie sotterranee
• Controllo degli orari dei treni
• Frenare e fermare i veicoli in base a parametri, come la velocità dell'auto, l'accelerazione e la velocità delle ruote

Difesa

• Individuazione e riconoscimento di obiettivi sott'acqua
• Supporta il processo decisionale navale
• Utilizzo di immagini termiche a infrarossi per il riconoscimento del bersaglio
• Utilizzato per controllare gli intercettori di ipervelocità

Industria

• Controllo degli impianti di depurazione delle acque
• Gestione dei problemi nella soddisfazione dei vincoli nella progettazione strutturale
• Analisi del modello per la garanzia della qualità
• Fuzzy Logic viene utilizzato per affrontare il trattamento delle acque reflue dei fanghi

Controllo navale

• Governare correttamente le navi
• Selezione dei percorsi ottimali o migliori possibili per raggiungere una destinazione
• Il pilota automatico è basato su Fuzzy Logic
• I veicoli subacquei autonomi sono controllati tramite Fuzzy Logic

Sistemi di lavaggio alimentati da Fuzzy Logic

Le moderne lavatrici alimentate da Fuzzy Logic stanno diventando popolari in questi giorni. Hanno sensori che tracciano continuamente le variazioni di temperatura. Regola di conseguenza i comandi e le operazioni. Questi sistemi funzionano bene, sono produttivi ed economici.

Per ottenere i migliori risultati di lavaggio, Fuzzy Logic controlla il processo di lavaggio, la temperatura dell'acqua, la velocità di centrifuga, il tempo di lavaggio, l'assunzione di acqua e le prestazioni di risciacquo. Le macchine avanzate fanno quanto segue:

• Controllare il carico della macchina per evitare sovraccarichi
• Controllare la durezza dell'acqua e determinare il tipo di tessuto
• Indica all'utente la quantità ottimale di detersivo. Controllano anche se il detersivo è in forma liquida o in polvere
• Imparano dalle precedenti esperienze di lavaggio e memorizzano algoritmi per migliorare i risultati di lavaggio

La maggior parte dei sistemi si basa su una tecnologia di risparmio energetico che consente di risparmiare energia durante il lavaggio dei vestiti. Queste caratteristiche ti aiutano a risparmiare energia anche se lavi molti capi da 2 a 3 volte a settimana. I sensori monitorano l'intero processo di lavaggio e apportano le regolazioni e le correzioni necessarie per ottenere i migliori risultati di lavaggio.

Fuzzy Logic in queste lavatrici controlla la quantità di sporco e sporcizia sui vestiti, il senso della centrifuga e la quantità di sapone necessaria. Per una migliore centrifuga, il carico di biancheria è adeguatamente bilanciato. Se viene rilevato uno squilibrio, la velocità di centrifuga viene ridotta. Inoltre, il bilanciamento del carico di lavaggio aiuta a ridurre il rumore della centrifuga.

Aziende come Panasonic utilizzano una tecnologia simile nelle loro lavastoviglie. Fuzzy Logic viene utilizzato per regolare i cicli di lavaggio delle lavastoviglie, insieme ai metodi di lavaggio e risciacquo. Le prestazioni della macchina dipendono anche dal numero di stoviglie messe nella lavatrice.

Conclusione

Sebbene la logica fuzzy nell'intelligenza artificiale aiuti a imitare il ragionamento umano, questi sistemi necessitano di una guida esperta per essere costruiti. Ciò ti consente di fare affidamento sull'esperienza di esperti che hanno una migliore comprensione del sistema. Fuzzy Logic può essere utilizzato anche per migliorare l'esecuzione di algoritmi. IBM Watson utilizza Fuzzy Logic e semantica fuzzy .

Scopri il programma di certificazione avanzato di upGrad in Machine Learning e NLP. Questo corso è stato creato tenendo a mente vari tipi di studenti interessati all'apprendimento automatico, offrendo tutoraggio 1-1 e molto altro.

Quali sono le applicazioni della logica fuzzy nella vita reale?

La logica fuzzy viene utilizzata per le stesse applicazioni della logica normale, ma con la capacità di gestire ragionamenti inesatti. L'applicazione principale della logica fuzzy è per l'intelligenza artificiale. La logica fuzzy viene utilizzata nei controller di fabbrica e nei software industriali. Inoltre, la maggior parte degli elettrodomestici moderni in cucina, home theater e intrattenimento, aria condizionata e riscaldamento, microonde, fotocamera digitale, frigorifero e TV, ecc. utilizzano la logica fuzzy. Il sistema è una strada a doppio senso. Utilizza la logica fuzzy per prendere decisioni intelligenti, ma anche i clienti rispondono in modo confuso. Quindi, al fine di rendere il sistema più accurato, i ricercatori applicano la scienza fuzzy su tali dispositivi.

Quali sono i limiti della logica fuzzy?

La logica fuzzy è un modo per rappresentare affermazioni logiche utilizzando valori reali invece dei valori binari convenzionali. La logica fuzzy ha due limiti principali: la gestione di dati imprecisi e l'inferenza intrinseca del pensiero umano. Entrambi questi problemi sono correlati tra loro. Se i dati sono imprecisi nel sistema, allora un essere umano non può dedurre la conoscenza o la relazione. Si spera che la ricerca futura porti a risolvere questi problemi.

Quali sono i vantaggi del controllo fuzzy?

Il controllo fuzzy consente il controllo in base all'output effettivo del processo, al contrario del controllo basato su un setpoint. Ciò significa che l'uscita di un anello di controllo non è fissata su un valore specifico, ma può variare all'interno di un intervallo specifico. Ciò offre un controllo migliore rispetto al controllo a virgola fissa, specialmente nelle applicazioni con una relazione non lineare tra input e output.