La vostra confusione è comprensibile; il termine “logica fuzzy” è ora tanto probabile che appaia nella pubblicità quanto nelle riviste tecniche. Un certo numero di lavoratori ha scritto per condividere la loro percezione di questa dinamica area di ricerca.
Charles Elkan, professore assistente di informatica e ingegneria all’Università della California a San Diego, offre la seguente definizione:
“La logica fuzzy è una generalizzazione della logica standard, in cui un concetto può avere un grado di verità ovunque tra 0,0 e 1,0. La logica standard si applica solo a concetti che sono completamente veri (con grado di verità 1,0) o completamente falsi (con grado di verità 0,0). Per esempio, potremmo dire che “il presidente Clinton è alto”, con un grado di verità di 0,9.
“Si scopre che le applicazioni utili della logica fuzzy non sono nell’intelligenza artificiale di alto livello ma piuttosto nel controllo delle macchine di livello inferiore, specialmente nei prodotti di consumo. Di solito, i controllori fuzzy sono implementati come software in esecuzione su microprocessori standard. Sono stati costruiti alcuni microprocessori speciali che fanno operazioni fuzzy direttamente in hardware, ma anche questi usano segnali digitali binari (0 o 1) al livello hardware più basso. Ci sono alcuni prototipi di ricerca di chip informatici che usano segnali analogici al livello più basso, ma i chip simulano il funzionamento dei neuroni piuttosto che la logica fuzzy”.”
ShlomoZilberstein, un professore assistente nel dipartimento di informatica dell’Università del Massachusetts ad Amherst, fornisce ulteriori informazioni e più analisi fuzzy del presidente degli Stati Uniti:
“La logica fuzzy è una tecnica per rappresentare e manipolare informazioni incerte. Nella logica proposizionale più tradizionale, ogni fatto o proposizione, come ‘domani pioverà’, deve essere vero o falso, ma molte delle informazioni che la gente usa sul mondo implicano un certo grado di incertezza. Come la teoria delle probabilità, la logica fuzzy attribuisce valori numerici tra 0 e 1 ad ogni proposizione per rappresentare l’incertezza. Ma mentre la teoria della probabilità misura la probabilità che la proposizione sia corretta, la logica fuzzy misura il grado in cui la proposizione è corretta. Per esempio, la proposizione ‘Il presidente Clinton è giovane’ può avere un grado di correttezza 0,8.
“La distinzione importante tra l’informazione probabilistica e la logica fuzzy è che non c’è incertezza sull’età del presidente ma piuttosto sul grado in cui egli corrisponde alla categoria ‘giovane’. Molti termini, come ‘alto’, ‘ricco’, ‘famoso’ o ‘scuro’, sono validi solo a un certo grado quando vengono applicati a un particolare individuo o situazione. La logica fuzzy cerca di misurare questo grado e di permettere ai computer di manipolare tali informazioni.
“La logica fuzzy è stata formulata da LotfiZadeh dell’Università della California a Berkeley a metà degli anni ’60, sulla base del lavoro precedente nell’area della teoria degli insiemi fuzzy. Zadeh ha anche formulato il concetto di fuzzycontrol che permette di utilizzare un piccolo insieme di ‘regole intuitive’ per controllare il funzionamento dei dispositivi elettronici. Negli anni ’80 il fuzzycontrol è diventato una grande industria in Giappone e in altri paesi dove è stato integrato in elettrodomestici come aspirapolvere, forni a microonde e videocamere. Tali apparecchi potrebbero adattarsi automaticamente a diverse condizioni; per esempio, un aspirapolvere applicherebbe più aspirazione a un’area particolarmente sporca. Uno dei vantaggi del controllo fuzzy è che può essere facilmente implementato su un computer standard.
“Nonostante il suo successo commerciale, la logica fuzzy rimane un’idea controversa nella comunità dell’intelligenza artificiale. Molti ricercatori mettono in dubbio la coerenza e la validità dei metodi usati per ‘ragionare’ con la logica fuzzy.
Jacoby Carter del NationalWetlandsResearch Center del National Biological Service a Lafayette, La, chiarisce la differenza tra la logica fuzzy e quella tradizionale; offre anche una valutazione più ottimista del potenziale della logica fuzzy per l’intelligenza artificiale (AI):
“La teoria logica tradizionale, a volte chiamata ‘logica croccante’, usa tre operazioni logiche -AND, OR e NOT- e restituisce o uno 0 o un 1.Allo stesso modo, la teoria tradizionale degli insiemi, o ‘crisp set theory’, assegna agli oggetti l’appartenenza o la non appartenenza a una classe o gruppo a cui sono stati assegnati rigidi confini matematici, così che, per esempio, 80 gradi Fahrenheitis caldo e 81 gradi F è caldo. Nella logica fuzzy, le tre operazioni AND, OR e NOT restituiscono un grado di appartenenza che è un numero tra 0 e 1.
“La teoria degli insiemi fuzzy è stata usata in applicazioni commerciali di sistemi esperti e dispositivi di controllo per treni e ascensori; è stata anche combinata con reti neurali per controllare la produzione di semiconduttori. Incorporando la logica fuzzy e gli insiemi fuzzy nei sistemi di produzione, sono stati ottenuti miglioramenti significativi in molti sistemi di IA. Questo approccio ha avuto particolare successo con set di dati ambigui o quando le regole sono perfettamente note.”
Heidar A. Malki, un professore assistente nel College of Technology dell’Università di Houston, ha fornito un’ulteriore prospettiva sulle probabili applicazioni della fuzzylogic:
“Sempre più persone nell’industria e nel mondo accademico stanno esplorando i vantaggi della logica fuzzy e delle sue tecnologie correlate. La logica fuzzy può essere utilizzata per situazioni in cui le tecnologie logiche convenzionali non sono efficaci, come i sistemi e i dispositivi che non possono essere descritti con precisione da modelli matematici, quelli che hanno incertezze significative o condizioni contraddittorie, e dispositivi o sistemi controllati linguisticamente. Come LotfiZadeh ha dichiarato una volta, la logica fuzzy non sostituirà la logica convenzionale (computer) o le metodologie, piuttosto le integrerà nelle circostanze in cui gli approcci convenzionali non riescono a risolvere un problema in modo efficace.
“Negli ultimi anni, c’è stato un crescente interesse nella fuzzylogic, sia nell’industria che nel mondo accademico. Le applicazioni attuali includono modellazione, valutazione, ottimizzazione, processo decisionale, controllo, diagnosi e informazione. Inparticolare, la logica fuzzy è più adatta per i campi dei sistemi di controllo. Per esempio, la logica fuzzy è stata applicata in aree come la previsione dei guasti dei reattori nucleari in Europa, la previsione dei terremoti in Cina e il controllo della metropolitana in Giappone.
“Un’applicazione prominente della logica fuzzy è nel sistema antibloccaggio trovato in molte automobili moderne. Le regole di controllo che descrivono un sistema di frenata antibloccaggio possono consistere in parametri come la velocità dell’auto, la pressione dei freni, la temperatura dei freni, l’intervallo tra le applicazioni dei freni e l’angolo del movimento laterale dell’auto rispetto al movimento in avanti. La gamma di valori di questi parametri sono tutti continui, aperti all’interpretazione di un ingegnere progettista. Una di queste regole in un sistema di freni antibloccaggio potrebbe essere:
IF brake temperature is 'warm' AND speed is 'not veryfast,' then brakepressure is 'slightly decreased.'
“La temperatura potrebbe avere una gamma di stati come freddo, freddo, caldo e caldo; la gamma di questi termini linguistici può essere determinata con precisione definendo le funzioni di appartenenza da un esperto.
“Ci sono molti prodotti di consumo che usano la logica fuzzy nel loro funzionamento; ci sono anche molti chip di logica fuzzy (processori) che sono costruiti per svolgere compiti speciali senza usare computer convenzionali. Le prospettive della fuzzylogic sono quindi molto promettenti.”
Non tutti possono ignorare il potenziale umoristico in un concetto come la fuzzylogic. Jim Diederich, professore di matematica all’Università della California a Davis, sta lavorando sulle applicazioni della fuzzylogic nei sistemi biologici. Recentemente ha provato le tecniche di logica fuzzy su un insieme specializzato di sistemi biologici – i suoi studenti – quando ha proposto le seguenti regole per uno dei suoi corsi
Attività speciali in matematica Math 180-01
Insiemi fuzzy, numeri e logica
Informazioni sul corso
- Un esame intermedio sarà dato verso la metà del semestre.
- L’esame finale sarà dato verso la fine del corso.
- I compiti a casa saranno assegnati abbastanza regolarmente.
- L’esame intermedio e l’esame finale conteranno normalmente come parte sostanziale del voto.
- I compiti a casa non saranno insignificanti nel contare come parte del voto.
- Un eccellente finale risulterà in un voto alquanto eccellente.
- Un lavoro solido in due delle tre aree, intermedio, finale e compiti a casa, risulterà in un voto solido.
- Buoni compiti a casa compenseranno in qualche modo esami scadenti.
- Il vostro voto sarà un valore linguistico burocraticoterminologico confuso.
- Se non capite questo entro la fine del trimestre, il vostro voto lo rifletterà.
Sui compiti a casa per questa classe, Diederich riferisce che ha valutato in termini confusi: buono, abbastanza buono, molto buono. I suoi studenti gli hanno fatto promettere che avrebbe fornito un voto numerico all’esame intermedio.