Tutorial de lógica difusa: qualidades, arquitetura, aplicativos, prós e contras, diferenças

Publicados: 2020-04-30

Quando você tem que tomar uma decisão, quantas vezes é um simples Sim ou Não? Muitas vezes, suas escolhas são uma variação de perguntas de Sim ou Não, onde você tem vários graus de opções presentes entre as duas.

Suponha que alguém lhe pergunte: “Você vai àquela festa hoje à noite?” Sua resposta provavelmente seria 'Talvez sim' ou 'Certamente não', em vez de um simples Sim ou Não.

A tomada de decisão humana depende muito dessas escolhas vagas. E em IA, esse conceito é chamado de lógica Fuzzy.

Neste tutorial de lógica difusa , você aprenderá o que é a lógica difusa, como ela funciona e quais são suas aplicações. Vamos começar.

Índice

O que é Lógica Fuzzy? Explicação

Fuzzy refere-se à falta de clareza. Há muitos casos em que você não pode tomar uma simples decisão de 'Sim ou Não'. Nesses casos, você precisará fazer uma escolha dinâmica. A lógica difusa ajuda você nesse sentido.

Ele oferece uma escolha flexível e permite que você raciocine com mais dados e variáveis. Existem muitas aplicações de lógica difusa em IA porque você não pode usar lógica booleana ou similar em todos os lugares. Assemelha-se ao raciocínio humano e considera todas as possibilidades que existem entre Sim e Não de escolha.

A lógica usual considera apenas duas possibilidades: Sim e Não. Mas os humanos não tomam decisões assim. Eles têm muitas possibilidades entre Sim e Não, como Possivelmente Sim e Possivelmente Não. A lógica difusa leva em conta todas essas possibilidades.

Saiba mais: Os 5 principais modelos de aprendizado de máquina explicados para iniciantes

Um pouco de história

Lotfi Zadeh , cientista da computação e matemático, surgiu com a lógica difusa quando percebeu que há uma grande diferença entre a tomada de decisões de humanos e computadores. Ele apontou que a lógica convencional do computador não podia manipular dados para representar ideias pouco claras semelhantes às dos humanos.

Como mencionamos anteriormente, existem muitas aplicações da lógica fuzzy em IA . Mas você também pode vê-lo em muitos outros campos, pois permite que a inteligência artificial distinga dados que não se alinham com a lógica booleana. Isso significa que os dados não são verdadeiros nem falsos.

Qualidades da Lógica Fuzzy

A lógica difusa pode parecer um pouco complicada, mas é uma técnica flexível de aprendizado de máquina que você pode implementar com muita facilidade. Ele permite que você imite o pensamento humano. Também é perfeito para resolver problemas onde a incerteza é alta.

Ele permite que você construa funções não lineares que possuem complexidade arbitrária. Mas você deve garantir que você o construa depois de ter conhecimento suficiente do mesmo, porque é fácil cometer erros neste caso.

Quando você não deve usar a lógica fuzzy

Existem alguns casos em que você não deve usar lógica difusa. Aqui estão alguns deles:

  • Quando você pode usar a lógica convencional para chegar a uma solução, não precisa usar a lógica fuzzy porque complicaria tudo demais
  • Os controladores não requerem necessariamente lógica fuzzy
  • Se você não pode mapear a entrada para a saída, você não deve usar lógica difusa

Como funciona a lógica fuzzy? (Arquitetura)

A arquitetura da lógica fuzzy tem os seguintes componentes:

  • Regras
  • Fuzzificador
  • Inferência (Inteligência)
  • Defuzzificador

Regras: Todas as regras do fuzzificador permanecem armazenadas na Base de Regras. Todas as condições IF-THEN inseridas na lógica também permanecem aqui para que ela possa tomar as decisões. Atualizações recentes na lógica fuzzy permitem que especialistas em IA reduzam o número de regras de que precisam.

Fuzzifier: Fuzzifier converte a entrada (números nítidos) em conjuntos fuzzy. Seus sensores medem as entradas de crips e as passam para o sistema de controle para que a lógica possa processá-las ainda mais.

Inferência: Após o Fuzzifier vem o Motor de Inferência. Ele descobre o quanto a entrada difusa corresponde às regras. Também seleciona quais regras deve aplicar de acordo com o campo de entrada que possui.

Defuzzifier: Neste estágio, o defuzzifier converte os conjuntos fuzzy que recebe em saída nítida. Existem muitas formas de defuzzificação disponíveis, então você precisa escolher uma de acordo com suas necessidades.

Leia: Aplicações de IA no mundo real

Diferenças entre lógica fuzzy e probabilidade

Para entender corretamente o conceito deste tutorial de lógica fuzzy , você terá que dar uma olhada nas diferenças entre lógica fuzzy vs. probabilidade porque confunde muitas pessoas.

A primeira grande diferença entre os dois é o assunto que eles tratam. A lógica fuzzy trabalha com fatos, enquanto a probabilidade trabalha com eventos que podem ou não ocorrer. A lógica difusa transmite verdade parcial, enquanto a probabilidade transmite conhecimento parcial.

Além disso, a lógica difusa toma a verdade como sua base matemática, enquanto a probabilidade constrói um modelo de ignorância.

Diferenças entre Fuzzy e Crisp

Há muitas diferenças entre os dois. Primeiro, um conjunto de tempo nítido pode ser difuso, mas um conjunto de tempo difuso não pode ser nítido. A lei da não-contradição e do meio excluído pode (ou não) valer na lógica Crisp. Por outro lado, com lógica fuzzy, essas leis são válidas.

A lógica nítida tem limites estritos; ou seja, pode ser Verdadeiro ou Falso. E a lógica difusa tem vários graus de associação.

Leia também: Ideias de projetos de aprendizado de máquina para iniciantes

Quais são as aplicações da lógica fuzzy?

A seguir estão as principais aplicações da lógica fuzzy em diferentes indústrias:

Setor automotivo

As empresas automotivas usam lógica difusa na IA para criar freios antitravamento. A lógica difusa pode descobrir quando é necessário aplicar freios antibloqueio de acordo com a aceleração e velocidade do carro, para evitar um acidente.

Outro uso da lógica fuzzy em carros é a transmissão automática. Nesses casos, a lógica fuzzy controla a ignição e a injeção de combustível de acordo com as RPM e ajuste do acelerador. O controle de cruzeiro é um recurso em que o carro mantém uma velocidade específica e permite que o motorista faça uma pausa ao pressionar o acelerador.

A lógica difusa ajuda a ajustar a configuração do acelerador para manter a velocidade designada do carro.

Ginástica

A Omron usa regras de lógica difusa para verificar os níveis de aptidão de seus funcionários. Eles adicionaram seu conjunto específico de regras para essa finalidade. Com sua ajuda, muitas empresas podem monitorar a aptidão de seus funcionários e fornecer instalações adequadas.

Outras aplicações

  • Os fornos de microondas usam lógica difusa para escolher a opção certa de cozimento.
  • Os sistemas de diagnóstico de golfe aplicam regras difusas para recomendar o taco de golfe mais adequado de acordo com o físico do golfista e outros fatores
  • Os sistemas de controle de elevadores determinam o tempo de espera de acordo com o número de passageiros que possuem. Eles implementam lógica fuzzy para este propósito.
  • As máquinas de lavar louça usam a lógica difusa para escolher as configurações de limpeza corretas (ciclos, tempo de enxágue e lavagem, etc.) de acordo com a louça que possuem.

Vantagens e Desvantagens da Lógica Fuzzy?

Vantagens

  • A lógica fuzzy tem uma estrutura simples que é muito fácil de entender
  • Tem aplicações em muitas indústrias, incluindo automóveis e eletrodomésticos
  • Resolve problemas de incerteza com melhor eficácia do que outros algoritmos
  • Versátil no uso, pois não necessita de insumos precisos para seu funcionamento
  • Devido à sua estrutura simples, você pode modificá-lo facilmente e melhorar seu desempenho
  • Se os sensores de feedback não funcionarem, você poderá usar a lógica difusa para resolver esses problemas

Desvantagens

  • Não é capaz de realizar reconhecimento de padrões semelhante às redes neurais
  • Verificar e validar um sistema baseado em lógica fuzzy requer muitos testes de hardware
  • Configurar regras difusas é uma tarefa bastante difícil
  • A saída da lógica difusa nem sempre é precisa. Isso pode causar problemas em alguns casos, pois o resultado pode não ser aceitável.

Pensamentos finais

Agora chegamos ao final do nosso tutorial de lógica difusa . Esperamos que você tenha achado este artigo útil. A lógica difusa é certamente um dos conceitos mais populares e simples de inteligência artificial.

Se você quiser saber mais sobre lógica difusa e outros conceitos de IA, recomendamos acessar nosso blog. Você encontrará muitos artigos úteis lá.

E se você deseja uma experiência de aprendizado mais detalhada e estruturada, faça um curso de IA e comece com isso. Um curso de inteligência artificial lhe dará todo o conhecimento que você precisa sobre este tema com muita facilidade.

Se você estiver interessado em aprender mais sobre aprendizado de máquina, confira o PG Diploma in Machine Learning & AI do IIIT-B e upGrad, projetado para profissionais que trabalham e oferece mais de 450 horas de treinamento rigoroso, mais de 30 estudos de caso e atribuições, IIIT- B Status de ex-aluno, mais de 5 projetos práticos práticos e assistência de trabalho com as principais empresas.

Como os hedges linguísticos são úteis em um sistema de inferência fuzzy?

Qual é a abordagem Mamdani para lógica fuzzy?

A abordagem Mamdani foi apresentada como a primeira tentativa de controlar um motor a vapor e um sistema de caldeira usando regras de controle de linguagem coletadas de operadores humanos experientes. Cada regra em um sistema Mamdani produz um conjunto fuzzy como sua saída. Os sistemas Mamdani são adequados para aplicações de sistemas especialistas em que as regras são desenvolvidas a partir do conhecimento especializado humano, como diagnósticos médicos, pois suas bases de regras são mais intuitivas e mais simples de entender.

Qual é o teorema da aproximação difusa (FAT) e seu raciocínio?

Segundo Bart Kosko, a aproximação fuzzy (FAT) indica que um sistema fuzzy pode imitar qualquer sistema contínuo. Cada regra funciona como um patch difuso que o sistema aplica à resposta para torná-la semelhante à resposta do sistema contínuo. Enquanto o Raciocínio Aproximado Fuzzy refere-se ao método usado para derivar uma provável conclusão imprecisa de um conjunto de premissas imprecisas. No raciocínio aproximado, a lógica fuzzy é capaz de lidar com muitos tipos de incerteza.