В повседневной жизни мы не всегда можем выбрать между «Да» и «Нет». Бывают ситуации, когда для принятия решения нам просто не достаточно имеющейся информации.
Например, если кто-то спросит, будете ли вы в каком-то месте в определенный день в следующем месяце, вы, вероятно, не сможете сразу ответить «Да» или «Нет». Вы не можете гарантировать, что будете свободны в этот день.
Термин «нечеткий» обозначает нечто туманное и расплывчатое. Когда ситуация неясна, компьютер, как и люди, может быть не в состоянии принять верное или ложное решение. В булевой алгебре есть только два значения: «Истинное» (True) и «Ложное» (False), выражаемые через 1 и 0 соответственно.
Нечеткая же логика, напротив, принимает во внимание всю неоднозначность проблемы, где возможны дополнительные альтернативные значения помимо бинарного «истинное» и «ложное». Это чрезвычайно полезно для искусственного интеллекта, который должен быть более интуитивным, адаптивным и человекоподобным, нежели традиционные машинные операции.
Так как же работает нечеткая логика и как именно она применяется в искусственном интеллекте? Рассказывает команда Techfunnel.
Нет времени читать статью? Найдите ее в нашем телеграм-канале и сохраните себе в «Избранном» на будущее.
Содержание статьи
Техническая архитектура нечеткой логики
Роль нечеткой логики в искусственном интеллекте
Нечеткая логика и теория вероятностей
Где еще применяется нечеткая логика?
Как работает нечеткая логика?
Нечеткая логика считает человеческое познание наиболее важной формой данных для получения точных выводов. Эта логика была разработана в 1965 году в Калифорнийском университете в Беркли математиком Лотфи Заде (Lotfi Zadeh).
Именно Лофти ввел термин «нечеткий». Он утверждал, что традиционная компьютерная логика не способна обрабатывать нечеткую или неточную информацию.
Как и люди, компьютеры способны объединять широкий диапазон значений, находящихся между «истинное» и «ложное». Они могут включать: «однозначно, да», «возможно, да», «затрудняюсь сказать», «возможно, нет», а также «однозначно нет».
На этом простом примере можно увидеть, как работает нечеткая логика:
Проблемный вопрос: Сегодня на улице солнечно?
Решение с помощью булевой алгебры: «Да» (1) или «Нет» (0).
В соответствии с обычной булевой алгеброй алгоритм получит заданные входные данные и выдаст в качестве результата либо «Да», либо «Нет». Это выражается через 1 и 0 соответственно. При использовании же нечеткой логики появляются другие варианты.
Решение с помощью нечеткой логики:
- Очень солнечно с редкой облачностью (0,95)
- Переменная облачность (0,75)
- Облачно с прояснениями (0,5)
- Преимущественно облачно (0,3)
- Высокая облачность с редкими прояснениями (0,1)
Нечеткая логика позволяет получить более широкий диапазон результатов: эти целые числа от 0 до 1 показывают несколько возможных вариантов.
Кажется, что разницу между переменная облачность и облачно с прояснениями, знают только метеорологи. Изображение: YouTube
Подход, основанный на нечеткой логике, использует все релевантные данные для решения проблемы. Затем он генерирует оптимальное решение на основе доступных входных данных. В ситуациях, когда четкое обоснование не может быть предоставлено, он обеспечивает приемлемую замену.
Техническая архитектура нечеткой логики
Рассмотрим техническую архитектуру нечеткой логики. Она включает в себя:
- Центральный модуль для фаззификации: преобразует входные значения, состоящие из неопределенных чисел, в нечеткие подмножества числовых значений, которые логически разделены в соответствии с заданным набором критериев.
- Счетчик правил: он хранит IF-THEN-ELSE-YES-NO (Если-То-Еще-Да-Нет) — т. е. типы определяемых человеком условных правил.
- Интеллектуальный модуль: он воспроизводит логику человеческого мышления, создавая нечеткий вывод с использованием входных данных из нечетких модулей и заранее определенных правил.
- Модуль дефаззификации: преобразует нечеткие результаты интеллектуального блока в четкие выходные значения.
Нечеткая логика отлично подходит для моделирования сложных ситуаций с нечеткими или искаженными входными данными (например, задач ИИ) благодаря ее сходству с процессом принятия решений человеком.
Программы нечеткой логики проще создавать, чем обычные логические программы. Они также используют меньше инструкций, что снижает объем памяти, необходимый для выполнения систем ИИ.
Роль нечеткой логики в искусственном интеллекте
Многие сложные организационные вопросы не могут быть решены с помощью программных ответов «да/нет» или «черное/белое». В ситуациях, когда ответы могут быть неоднозначны, на помощь приходит нечеткая логика.
Нечеткая логика справляется с неточностью или двусмысленностью, сопоставляя несколько показателей правдоподобности высказываний:
- Нечеткая логика и семантика. В своей основной форме анализ дерева решений (decision-tree analysis) используется для разработки нечеткой логики. Следовательно, он может служить основой для систем искусственного интеллекта (ИИ), построенных с выводами, основанными на правилах.
И нечеткая логика, и нечеткая семантика (например, слова «солнечно» и «слегка», которые не поддаются количественной оценке) имеют решающее значение для программирования систем искусственного интеллекта.
- Известные приложения: технологии и приложения ИИ все еще развиваются в ряде секторов, несмотря на то, что возможности программирования на основе нечеткой логики расширяются.
В банковском секторе инвестиционные отчеты формируются с использованием нечеткой логики, машинного обучения (machine learning) и подобных технологических систем.
IBM Watson — одна из самых выдающихся систем искусственного интеллекта, использующая нечеткую логику или нечеткую семантику
- Нечеткая логика и машинное обучение. Иногда нечеткую логику и машинное обучение объединяют, однако они не идентичны.
Машинное обучение относится к компьютерным системам, которые копируют человеческий интеллект, изменяя алгоритмы для многократного решения сложных задач.
Нечеткая логика — это набор правил или процессов, способных работать с неточными наборами данных, но алгоритмы все равно должны быть написаны людьми.
Обе области могут быть использованы в искусственном интеллекте и решении сложных вопросов.
- Примеры нечеткой логики. Нечеткая логика может помочь нейронным сетям, интеллектуальному анализу данных, рассуждениям на основе прецедентов и бизнес-правилам.
Например, нечеткая логика может использоваться в рассуждениях на основе прецедентов для динамического группирования информации по категориям, что повышает производительность за счет снижения восприимчивости к шуму и экстремальным значениям.
Нечеткая логика также позволяет профессионалам в области бизнес-правил составлять более эффективные правила. Вот пример пересмотренного правила, использующего нечеткую логику:
«Когда количество трансграничных транзакций «большое» (фраза с неоднозначным значением) и транзакция происходит в вечернее время (еще один термин с неоднозначной семантикой), перевод может считаться подозрительным».
Нечеткая логика и теория вероятностей
Теория вероятностей и нечеткая логика являются важными понятиями для искусственного интеллекта. Однако первое больше имеет отношение к прогностической аналитике.
Другими словами, вероятность относится к точности прогнозного вывода, сделанного с использованием анализа данных на основе ИИ.
Хотя эти термины могут показаться эквивалентными, нечеткая логика и вероятность не являются взаимозаменяемыми. Нечеткая логика — это убеждения с различной степенью правдивости. Вероятность фокусируется на понятиях и утверждениях, которые являются либо истинными, либо ложными. Вероятность утверждения — это уровень веры в его обоснованность.
Определения нечеткой логики и вероятности отличают их друг от друга. Вероятность связана с событиями, а не фактами, поскольку события либо происходят, либо нет. Здесь нет места двусмысленности. С другой стороны, нечеткая логика стремится уловить суть неопределенности. В основном это относится к уровню истины.
Теорию вероятностей нельзя использовать для рассуждений о понятиях, которые вы не можете описать как полностью истинные или ложные.
Где еще применяется нечеткая логика?
Нечеткую логику применяют в большинстве компьютерных областей, связанных с обработкой данных, включая искусственный интеллект, а также интеллектуальный анализ данных.
Интеллектуальный анализ данных — предмет, который связывает математику, машинное обучение и информатику — представляет собой процесс обнаружения существенных взаимосвязей в массивных наборах данных.
Нечеткая логика — это набор правил, которые можно применять к нечетким наборам данных для получения логических выводов. Это полезный метод для обнаружения релевантных связей в этом типе данных, учитывая, что интеллектуальный анализ данных часто включает неточные измерения.
Используя нечеткую логику, аналитики могут генерировать автоматические сигналы на покупку и продажу в некоторых сложных трейдинговых системах.
ИИ-технологии помогают инвесторам приспосабливаться к большому количеству изменчивых рыночных ситуаций, влияющих на их активы. Изображение: TrendSpider
Искусственный интеллект полностью изменил такие сферы, как банковское дело, рыночная аналитика, исследования и т. д. Сегодня нам доступно огромное количество инноваций в области искусственного интеллекта, таких как, например, генеративный искусственный интеллект, способный создавать произведения искусства из нескольких слов или фраз, что привело к росту инвестиций в ИИ и биржевые инвестиционные фонды ETF.
Высоких вам конверсий!
По материалам: techfunnel.com. Автор: команда Techfunnel
