Fuzzy Logic Tutorial: คุณภาพ สถาปัตยกรรม แอปพลิเคชัน ข้อดีและข้อเสีย ความแตกต่าง

เผยแพร่แล้ว: 2020-04-30

เมื่อต้องตัดสินใจกี่ครั้งก็ใช่หรือไม่ใช่ง่ายๆ? หลายครั้ง ตัวเลือกของคุณคือรูปแบบหนึ่งของคำถามใช่หรือไม่ใช่ ซึ่งคุณมีตัวเลือกหลายระดับระหว่างสองข้อ

สมมติว่ามีคนถามคุณว่า “คุณจะไปงานปาร์ตี้คืนนี้ไหม” คำตอบของคุณอาจเป็น 'อาจจะใช่' หรือ 'ไม่แน่นอน' แทนที่จะเป็นใช่หรือไม่ใช่อย่างตรงไปตรงมา

การตัดสินใจของมนุษย์ขึ้นอยู่กับการเลือกที่คลุมเครือเช่นนั้น และใน AI แนวคิดนี้เรียกว่าตรรกะคลุมเครือ

ในบทช่วย สอนตรรกะแบบคลุมเครือ นี้ คุณจะได้เรียนรู้ว่าฟัซซี่ลอจิกคืออะไร มันทำงานอย่างไร และการใช้งานของฟัซซี่ลอจิกคืออะไร มาเริ่มกันเลย.

สารบัญ

Fuzzy Logic คืออะไร? คำอธิบาย

Fuzzy หมายถึง ความไม่ชัดเจน มีหลายกรณีที่คุณไม่สามารถตัดสินใจง่ายๆ ว่า 'ใช่หรือไม่' ในกรณีเหล่านี้ คุณจะต้องทำการเลือกแบบไดนามิก ตรรกะคลุมเครือช่วยคุณในเรื่องนั้น

ช่วยให้คุณมีทางเลือกที่ยืดหยุ่นและให้เหตุผลกับข้อมูลและตัวแปรที่มากขึ้น มีการใช้งานฟัซซี่ลอจิกมากมายใน AI เนื่องจากคุณไม่สามารถใช้บูลีนหรือลอจิกที่คล้ายกันได้ทุกที่ มันคล้ายกับการใช้เหตุผลของมนุษย์และพิจารณาถึงความเป็นไปได้ทั้งหมดที่มีอยู่ระหว่างตัวเลือกใช่และไม่ใช่

ตรรกะทั่วไปพิจารณาความเป็นไปได้สองอย่างเท่านั้น: ใช่และไม่ใช่ แต่มนุษย์ไม่ได้ทำการตัดสินใจเช่นนั้น มีความเป็นไปได้หลายอย่างระหว่างใช่และไม่ใช่ เช่น อาจใช่ และ อาจไม่ใช่ ตรรกะคลุมเครือคำนึงถึงความเป็นไปได้ทั้งหมด

เรียนรู้เพิ่มเติม: อธิบายโมเดลการเรียนรู้ของเครื่อง 5 อันดับแรกสำหรับผู้เริ่มต้น

ประวัติเล็กน้อย

Lotfi Zadeh นักวิทยาศาสตร์คอมพิวเตอร์ และนักคณิตศาสตร์ได้ใช้ตรรกะที่คลุมเครือเมื่อเขาตระหนักว่า การตัดสินใจของมนุษย์กับคอมพิวเตอร์มีความแตกต่างกันมาก เขาชี้ให้เห็นว่าตรรกะของคอมพิวเตอร์ทั่วไปไม่สามารถจัดการข้อมูลเพื่อแสดงแนวคิดที่ไม่ชัดเจนคล้ายกับมนุษย์ได้

ดังที่เราได้กล่าวไว้ก่อนหน้านี้ มี แอปพลิเคชั่นของ Fuzzy logic มากมายใน AI แต่คุณสามารถเห็นมันได้ในสาขาอื่นๆ เช่นกัน เนื่องจากทำให้ปัญญาประดิษฐ์สามารถระบุข้อมูลที่แตกต่างออกไปซึ่งไม่สอดคล้องกับตรรกะบูลีน ซึ่งหมายความว่าข้อมูลไม่เป็นความจริงหรือเท็จ

คุณสมบัติของ Fuzzy Logic

ตรรกะที่คลุมเครืออาจดูซับซ้อนเล็กน้อย แต่เป็นเทคนิคการเรียนรู้ของเครื่องที่ยืดหยุ่นซึ่งคุณนำไปใช้ได้ง่ายมาก ช่วยให้คุณเลียนแบบความคิดของมนุษย์ได้ นอกจากนี้ยังเหมาะอย่างยิ่งสำหรับการแก้ปัญหาที่มีความไม่แน่นอนสูง

ช่วยให้คุณสร้างฟังก์ชันไม่เชิงเส้นที่มีความซับซ้อนตามอำเภอใจได้ แต่คุณควรตรวจสอบให้แน่ใจว่าคุณสร้างมันขึ้นมาหลังจากมีความรู้ในสิ่งเดียวกันมากพอแล้ว เพราะในกรณีนี้ความผิดพลาดจะเกิดได้ง่าย

เมื่อใดที่คุณไม่ควรใช้ Fuzzy Logic

มีบางกรณีที่คุณไม่ควรใช้ตรรกะคลุมเครือ นี่คือบางส่วนของพวกเขา:

  • เมื่อคุณสามารถใช้ตรรกะแบบธรรมดาเพื่อหาวิธีแก้ปัญหาได้ คุณไม่จำเป็นต้องใช้ลอจิกคลุมเครือเพราะจะทำให้ทุกอย่างซับซ้อนเกินไป
  • ตัวควบคุมไม่จำเป็นต้องมีตรรกะคลุมเครือ
  • หากคุณไม่สามารถจับคู่อินพุตกับเอาต์พุตได้ คุณไม่ควรใช้ลอจิกคลุมเครือ

Fuzzy Logic ทำงานอย่างไร (สถาปัตยกรรม)

สถาปัตยกรรมของลอจิกคลุมเครือมีองค์ประกอบดังต่อไปนี้:

  • กฎ
  • ฟัซซิไฟเออร์
  • การอนุมาน (ปัญญา)
  • เครื่องไล่เสียง

กฎ: กฎ ทั้งหมดของ fuzzifier ยังคงอยู่ใน Rule Base เงื่อนไข IF-THEN ทั้งหมดที่คุณป้อนในตรรกะจะยังคงอยู่ที่นี่เพื่อให้สามารถตัดสินใจได้ การอัปเดตล่าสุดใน Fuzzy Logic ช่วยให้ผู้เชี่ยวชาญ AI สามารถลดจำนวนกฎที่ต้องการได้

Fuzzifier: Fuzzifier แปลงอินพุต (ตัวเลขที่ชัดเจน) เป็นชุดที่คลุมเครือ เซ็นเซอร์จะวัดอินพุตของ Crips และส่งผ่านไปยังระบบควบคุมเพื่อให้ลอจิกประมวลผลต่อไปได้

การอนุมาน: หลังจากที่ Fuzzifier มาพร้อมกับ Inference Engine ค้นหาว่าอินพุตที่คลุมเครือตรงกับกฎมากน้อยเพียงใด นอกจากนี้ยังเลือกกฎที่จะใช้ตามช่องใส่ที่มี

Defuzzifier: ในขั้นตอนนี้ Defuzzifier จะแปลงชุด Fuzzy ที่ได้รับเป็นเอาต์พุตที่คมชัด มีรูปแบบการกระจายเสียงให้เลือกมากมาย ดังนั้นคุณจะต้องเลือกรูปแบบหนึ่งตามความต้องการของคุณ

อ่าน: แอปพลิเคชั่น AI ในโลกแห่งความจริง

ความแตกต่างระหว่างลอจิกคลุมเครือและความน่าจะเป็น

เพื่อให้เข้าใจแนวคิดของ แบบฝึกหัดตรรกะคลุมเครือ นี้อย่างถูกต้อง คุณจะต้องพิจารณาความแตกต่างระหว่างตรรกะคลุมเครือกับความน่าจะเป็นเพราะมันทำให้หลายคนสับสน

ความแตกต่างหลักประการแรกระหว่างทั้งสองคือเรื่องที่พวกเขาจัดการ ตรรกะคลุมเครือทำงานกับข้อเท็จจริง ในขณะที่ความน่าจะเป็นใช้ได้กับเหตุการณ์ที่อาจเกิดขึ้นหรือไม่เกิดขึ้นก็ได้ ตรรกะคลุมเครือบ่งบอกถึงความจริงบางส่วน ในขณะที่ความน่าจะเป็นสื่อถึงความรู้บางส่วน

นอกจากนี้ ตรรกศาสตร์คลุมเครือใช้ความจริงเป็นพื้นฐานทางคณิตศาสตร์ ในขณะที่ความน่าจะเป็นสร้างแบบจำลองของความเขลา

ความแตกต่างระหว่าง Fuzzy และ Crisp

มีความแตกต่างมากมายระหว่างคนทั้งสอง ประการแรก ชุดเวลาที่คมชัดอาจคลุมเครือ แต่ชุดเวลาที่คลุมเครือไม่สามารถคมชัดได้ กฎแห่งการไม่ขัดแย้งและการแยกตัวกลางอาจ (หรืออาจจะไม่) ถืออยู่ในตรรกะที่เฉียบคม ในทางกลับกัน ด้วยตรรกะที่คลุมเครือ กฎหมายเหล่านี้ถือ

ตรรกะที่เฉียบคมมีขอบเขตที่เข้มงวด นั่นคืออาจเป็นจริงหรือเท็จก็ได้ และตรรกะคลุมเครือก็มีสมาชิกหลายระดับ

อ่านเพิ่มเติม: แนวคิดโครงการการเรียนรู้ของเครื่องสำหรับผู้เริ่มต้น

แอพพลิเคชั่นของ Fuzzy Logic คืออะไร?

ต่อไปนี้คือการใช้งานหลักของลอจิกคลุมเครือในอุตสาหกรรมต่างๆ:

ภาคยานยนต์

บริษัทยานยนต์ใช้ลอจิกคลุมเครือใน AI เพื่อสร้างเบรกป้องกันล้อล็อก ตรรกะที่คลุมเครือสามารถระบุได้ว่าเมื่อใดที่จำเป็นต้องใช้เบรกป้องกันล้อล็อกตามอัตราเร่งและความเร็วของรถ เพื่อหลีกเลี่ยงอุบัติเหตุ

การใช้ตรรกะคลุมเครือในรถยนต์อีกประการหนึ่งคือระบบเกียร์อัตโนมัติ ในกรณีดังกล่าว ฟัซซี่ลอจิกจะควบคุมการจุดระเบิดและการฉีดน้ำมันเชื้อเพลิงตามรอบต่อนาทีและการตั้งค่าของคันเร่ง ครูซคอนโทรลเป็นคุณลักษณะที่รถรักษาความเร็วเฉพาะไว้ และช่วยให้ผู้ขับขี่สามารถหยุดพักจากการเหยียบคันเร่งได้

Fuzzy logic ช่วยปรับการตั้งค่าคันเร่งเพื่อรักษาความเร็วรถที่กำหนดไว้

ฟิตเนส

ออมรอน ใช้กฎตรรกะที่คลุมเครือเพื่อตรวจสอบระดับความฟิตของพนักงาน พวกเขาได้เพิ่มชุดกฎเฉพาะเพื่อจุดประสงค์นี้ ด้วยความช่วยเหลือ บริษัทหลายแห่งสามารถตรวจสอบความฟิตของพนักงานและจัดหาสิ่งอำนวยความสะดวกตามนั้น

แอปพลิเคชั่นอื่นๆ

  • เตาอบไมโครเวฟใช้ตรรกะคลุมเครือเพื่อเลือกตัวเลือกการทำอาหารที่เหมาะสม
  • ระบบการวินิจฉัยกอล์ฟใช้กฎคลุมเครือเพื่อแนะนำไม้กอล์ฟที่เหมาะสมที่สุดตามสภาพร่างกายของนักกอล์ฟและปัจจัยอื่นๆ
  • ระบบควบคุมลิฟต์กำหนดเวลารอตามจำนวนผู้โดยสารที่มี พวกเขาใช้ตรรกะคลุมเครือเพื่อการนี้
  • เครื่องล้างจานใช้ตรรกะคลุมเครือเพื่อเลือกการตั้งค่าการทำความสะอาดที่เหมาะสม (รอบ เวลาล้างและล้าง ฯลฯ) ตามจานที่มี

ข้อดีและข้อเสียของ Fuzzy Logic?

ข้อดี

  • ตรรกะคลุมเครือมีโครงสร้างเรียบง่ายที่เข้าใจได้ง่ายมาก
  • มีการใช้งานในหลายอุตสาหกรรมรวมถึงรถยนต์และเครื่องใช้ในบ้าน
  • แก้ปัญหาความไม่แน่นอนได้อย่างมีประสิทธิภาพมากกว่าอัลกอริธึมอื่นๆ
  • ใช้งานได้หลากหลายเพราะไม่ต้องการอินพุตที่แม่นยำสำหรับการทำงาน
  • ด้วยโครงสร้างที่เรียบง่าย คุณจึงสามารถปรับเปลี่ยนได้อย่างง่ายดายและเพิ่มประสิทธิภาพการทำงาน
  • หากเซ็นเซอร์ป้อนกลับไม่ทำงาน คุณสามารถใช้ตรรกะคลุมเครือเพื่อแก้ปัญหาเหล่านั้นได้

ข้อเสีย

  • ไม่สามารถทำการจดจำรูปแบบได้เหมือนกับโครงข่ายประสาทเทียม
  • การตรวจสอบและยืนยันระบบโดยใช้ลอจิกคลุมเครือนั้นต้องการการทดสอบฮาร์ดแวร์จำนวนมาก
  • การตั้งกฎคลุมเครือเป็นงานที่ค่อนข้างยาก
  • ผลลัพธ์ของลอจิกคลุมเครือนั้นไม่ถูกต้องเสมอไป ซึ่งอาจทำให้เกิดปัญหาได้ในบางกรณี เนื่องจากผลลัพธ์อาจไม่เป็นที่ยอมรับ

ความคิดสุดท้าย

ตอนนี้เรามาถึงจุดสิ้นสุดของบทช่วย สอนตรรกะคลุมเครือ แล้ว เราหวังว่าคุณจะพบว่าบทความนี้มีประโยชน์ ตรรกะคลุมเครือเป็นหนึ่งในแนวคิดที่ได้รับความนิยมและเรียบง่ายที่สุดของปัญญาประดิษฐ์

หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับตรรกะคลุมเครือและแนวคิดอื่นๆ ของ AI เราขอแนะนำให้คุณไปที่บล็อกของเรา คุณจะพบบทความที่เป็นประโยชน์มากมายที่นั่น

และถ้าคุณต้องการประสบการณ์การเรียนรู้ที่มีรายละเอียดและมีโครงสร้างมากขึ้น คุณควร เรียนหลักสูตร AI และเริ่มต้นด้วยสิ่งนั้น หลักสูตรปัญญาประดิษฐ์จะให้ความรู้ทั้งหมดที่คุณต้องการในหัวข้อนี้อย่างง่ายดาย

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับแมชชีนเลิร์นนิง โปรดดูที่ IIIT-B & upGrad's PG Diploma in Machine Learning & AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและมีการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง กรณีศึกษาและการมอบหมายมากกว่า 30 รายการ IIIT- สถานะศิษย์เก่า B, 5+ โครงการหลักที่ใช้งานได้จริง & ความช่วยเหลือด้านงานกับบริษัทชั้นนำ

การป้องกันความเสี่ยงด้านภาษาศาสตร์มีประโยชน์อย่างไรในระบบการอนุมานคลุมเครือ?

แนวทางของมัมดานีในตรรกะคลุมเครือคืออะไร?

วิธีการของ Mamdani ถือเป็นความพยายามครั้งแรกในการควบคุมเครื่องยนต์ไอน้ำและระบบหม้อไอน้ำโดยใช้กฎการควบคุมภาษาที่รวบรวมจากผู้ปฏิบัติงานที่เป็นมนุษย์ที่มีประสบการณ์ กฎแต่ละข้อในระบบ Mamdani จะสร้างชุดคลุมเครือเป็นผลลัพธ์ ระบบ Mamdani เหมาะสมอย่างยิ่งกับการใช้งานระบบผู้เชี่ยวชาญ ซึ่งกฎต่างๆ ได้รับการพัฒนาจากความรู้ของผู้เชี่ยวชาญของมนุษย์ เช่น การวินิจฉัยทางการแพทย์ เนื่องจากกฎเกณฑ์พื้นฐานนั้นเข้าใจได้ง่ายและเข้าใจง่ายกว่า

ทฤษฎีบทการประมาณฟัซซี (FAT) และเหตุผลคืออะไร?

จากข้อมูลของ Bart Kosko การประมาณแบบคลุมเครือ (FAT) บ่งชี้ว่าระบบที่คลุมเครืออาจเลียนแบบระบบที่ต่อเนื่องกันใดๆ กฎแต่ละข้อทำหน้าที่เป็นโปรแกรมแก้ไขคลุมเครือที่ระบบนำไปใช้กับการตอบสนองเพื่อให้ดูเหมือนการตอบสนองของระบบต่อเนื่อง ในขณะที่การใช้เหตุผลโดยประมาณแบบคลุมเครือหมายถึงวิธีการที่ใช้เพื่อหาข้อสรุปที่ไม่แน่ชัดที่น่าจะเป็นไปได้จากชุดของสถานที่ที่ไม่แน่ชัด ในการให้เหตุผลโดยประมาณ ตรรกะคลุมเครือสามารถจัดการกับความไม่แน่นอนได้หลายประเภท