세계 논리의 날: 퍼지 논리와 인공 지능에서의 역할 이해

게시 됨: 2023-01-14

일상 생활에서 우리는 항상 예와 아니오 사이에서 선택할 수 없습니다. 이는 결정을 내리는 데 필요한 정보가 부족한 상황에 직면할 수 있기 때문에 발생합니다. 또는 스스로 당황할 수도 있습니다.

예를 들어 누군가가 다음 달 특정 날짜에 거기에 있을 것인지 묻는다면 즉시 예 또는 아니오로 대답하지 않을 것입니다.

간단하지 않습니까?

퍼지라는 용어는 불분명한 것을 의미합니다. 상황이 불확실하면 인간과 마찬가지로 컴퓨터도 참 또는 거짓 결정을 내리지 못할 수 있습니다. 부울 논리에서 1은 True를 나타내고 0은 False를 나타냅니다.

대조적으로, 퍼지 논리는 이진 True 및 False 이외의 추가 대체 값이 있을 수 있는 문제의 모든 모호성을 고려합니다. 이는 기존의 기계 작동보다 더 직관적이고 적응력이 뛰어나며 인간과 유사해야 하는 인공 지능에 매우 유용합니다. 세계 논리의 날(1월 14 )을 맞아 이 중요한 개념을 분석해 보겠습니다.

퍼지 논리는 어떻게 작동합니까?

퍼지 논리는 인간의 인지가 정확한 결론을 도출하는 데 가장 중요한 데이터 형식이라고 생각합니다. 이 논리는 1965년 버클리 캘리포니아 대학교에서 "퍼지"라는 용어를 만든 Lotfi Zadeh가 개발했습니다. 그는 전통적인 컴퓨터 논리로는 불분명하거나 부정확한 정보를 처리할 수 없다고 주장했습니다.

인간과 마찬가지로 컴퓨터는 True와 False 사이에 존재하는 광범위한 값을 통합할 수 있습니다. 여기에는 확실히 예, 아마도 예, 말할 수 없음, 아마도 아니오 및 확실히 아니오가 포함될 수 있습니다.

퍼지 논리의 간단한 예를 확인하여 작동 방식을 이해하십시오.

문제 질문: 오늘 밖은 맑습니까?

부울 솔루션: 예(1) 또는 아니요(0).

일반 부울 대수에 따라 알고리즘은 지정된 입력을 수신하고 그 결과로 예 또는 아니오를 제공합니다. 이에 따라 1과 0으로 표현됩니다. 그러나 퍼지 논리를 사용하면 다른 가능성이 나타납니다.

퍼지 로직 솔루션:

  • 매우 화창하고 드문 구름이 있음(0.95)
  • 적당히 맑음(0.75)
  • 부분적으로 맑고 부분적으로 흐림(0.5)
  • 약간 맑으나 대체로 흐림(0.3)
  • 매우 흐리고 드물게 맑은 기간(0.1)

퍼지 논리는 그림에서 볼 수 있듯이 매우, 다소, 전혀 아님을 포함하여 더 넓은 범위의 결과를 가능하게 합니다. 0과 1의 정수는 가능한 결과의 범위를 보여줍니다.

퍼지 논리에 기반한 접근 방식은 모든 관련 데이터를 사용하여 문제를 해결합니다. 그런 다음 사용 가능한 입력을 기반으로 최적의 결정을 생성합니다. 명확한 근거를 제공할 수 없는 상황에서는 허용 가능한 대체물을 제공합니다.

Fuzzy Logic의 기술 아키텍처 이해

세계 논리의 날을 맞아 퍼지 논리 솔루션을 구성하는 기술 아키텍처를 자세히 살펴보겠습니다. 다음으로 구성됩니다.

  • 퍼지화를 위한 중앙 모듈 : 불확실한 숫자로 구성된 입력을 미리 설정된 기준에 따라 논리적으로 분리된 숫자 퍼지 하위 집합으로 변환합니다.
  • 규칙 카운터 : IF-THEN-ELSE-YES-NO, 즉 사람이 정의한 조건부 규칙의 유형을 저장합니다.
  • 인텔리전스 모듈 : 퍼지 모듈의 입력과 미리 결정된 규칙을 사용하여 퍼지 추론을 생성하여 인간의 추론 논리를 복제합니다.
  • 비퍼지 화 모듈 : 인텔리전스 유닛의 퍼지 출력을 선명한 값 출력으로 변환합니다.

퍼지 논리는 인간의 의사 결정과 유사하기 때문에 불분명하거나 왜곡된 입력(예: AI 문제)이 있는 복잡한 상황을 모델링하는 데 탁월합니다. 퍼지 논리 프로그램은 기존 논리 프로그램보다 만들기가 더 간단하고 더 적은 명령을 사용하므로 AI 시스템을 실행하는 데 필요한 메모리 양이 줄어듭니다.

인공 지능에서 퍼지 논리의 역할

많은 복잡한 조직 문제는 예/아니오 또는 흑백 프로그래밍 응답으로 해결할 수 없습니다. 때때로 응답이 모호한 상황에서는 퍼지 논리가 유용합니다. 퍼지 논리는 명제적 신뢰성의 여러 메트릭을 연결하여 부정확성 또는 모호성을 관리합니다.

  • Fuzzy logic and semantics : 의사결정 트리 분석은 가장 기본적인 형태로 fuzzy logic을 개발하는데 활용됩니다. 결과적으로 규칙 기반 결론으로 ​​구성된 인공 지능(AI) 시스템의 기반이 될 수 있습니다. 퍼지 논리와 퍼지 의미론(예: 정량화할 수 없는 단어 "sunny" 및 "slightly")은 모두 인공 지능 시스템의 프로그래밍에 중요합니다.
  • 주목할만한 애플리케이션 : AI 기술과 애플리케이션은 퍼지 논리 프로그래밍 기능이 증가하고 있음에도 불구하고 다양한 분야에서 여전히 진화하고 있습니다. IBM의 Watson은 퍼지 논리 또는 퍼지 의미론을 사용하는 가장 눈에 띄는 AI 시스템 중 하나입니다. 은행 부문에서 투자 보고서는 퍼지 논리, 기계 학습 및 유사한 기술 시스템을 사용하여 생성됩니다.
  • 퍼지 논리와 기계 학습 : 때때로 퍼지 논리와 기계 학습이 함께 그룹화되지만 동일하지는 않습니다. 기계 학습은 어려운 문제를 반복적으로 해결하기 위해 알고리즘을 수정하여 인간의 지능을 복제하는 컴퓨터 시스템을 말합니다. 퍼지 논리는 부정확한 데이터 세트에서 작동할 수 있는 일련의 규칙 또는 프로세스이지만 알고리즘은 여전히 ​​사람이 작성해야 합니다. 두 분야 모두 인공 지능과 어려운 문제 해결에 사용될 수 있습니다.
  • 퍼지 논리의 예 : 퍼지 논리는 신경망, 데이터 마이닝, 사례 기반 추론(CBR) 및 비즈니스 규칙에 도움이 될 수 있습니다. 예를 들어 퍼지 논리는 정보를 범주로 동적으로 그룹화하기 위해 CBR에서 사용될 수 있으므로 노이즈 및 이상값에 대한 민감성을 줄임으로써 성능을 향상시킵니다. 또한 퍼지 논리는 비즈니스 규칙 전문가가 보다 효과적인 규칙을 구성할 수 있도록 합니다. 다음은 퍼지 논리를 사용하는 수정된 규칙의 예입니다.

국경 간 거래의 양이 "대"(의미가 모호한 문구)이고 거래가 저녁에 발생하면(의미가 모호한 또 다른 용어) 송금이 의심될 수 있습니다.

퍼지 논리는 확률 이론과 동일합니까?

확률과 퍼지 논리는 모두 인공 지능의 중요한 개념이지만 전자는 예측 분석과 더 관련이 있습니다. 즉, 확률은 인공지능 기반의 데이터 분석을 통해 이루어진 예측적 추론의 정확도를 의미한다.

용어가 동일해 보일 수 있지만 퍼지 논리 또는 확률은 서로 바꿔서 사용할 수 없습니다. 퍼지 논리는 진실성의 정도가 다양한 세계관입니다. 확률은 참 또는 거짓인 개념과 진술에 초점을 맞춥니다. 주장의 가능성은 그 타당성에 대한 믿음의 수준입니다.

퍼지 논리와 확률의 정의는 그것들을 서로 구별합니다. 확률은 사건이 발생하거나 발생하지 않기 때문에 사실이 아니라 발생에 연결됩니다. 모호함의 여지가 없습니다. 반면에 퍼지 논리는 불확실성의 본질을 파악하려고 노력합니다. 그것은 주로 진실의 수준과 관련이 있습니다.

확률 이론은 완전히 참 또는 거짓으로 설명할 수 없는 개념으로 추론하는 데 사용할 수 없습니다.

Fuzzy Logic으로 무엇을 할 수 있습니까?

퍼지 논리는 데이터 마이닝뿐만 아니라 인공 지능을 포함하는 데이터 작업과 관련된 대부분의 컴퓨팅 분야에서 응용 프로그램을 가지고 있습니다.

데이터 마이닝은 수학, 기계 학습, 컴퓨터 과학을 연결하는 과목으로 방대한 데이터 세트에서 중요한 관계를 발견하는 과정입니다. 퍼지 논리는 논리적 결론에 도달하기 위해 퍼지 데이터 세트에 적용할 수 있는 일련의 규칙입니다. 데이터 마이닝에는 종종 부정확한 측정이 포함된다는 점을 감안할 때 이러한 유형의 데이터에서 관련 연결을 발견하는 데 유용한 기술입니다.

퍼지 논리 수학을 사용하여 분석가는 일부 복잡한 거래 시스템에서 자동화된 구매 및 판매 신호를 생성할 수 있습니다. 이러한 기술은 투자자가 보유 자산에 영향을 미치는 다양한 변화하는 시장 상황에 적응하는 데 도움이 됩니다.

은행, 시장 정보, 연구 등과 같은 영역은 AI에 의해 완전히 혁신되고 있으며, 이것이 바로 세계 논리의 날 특집에서 퍼지 논리를 다룬 이유입니다! 이제 몇 개의 단어나 문구로 예술을 창조할 수 있는 생성 AI와 같이 AI에서 탐색할 수 있는 새로운 혁신의 광산이 생겨 AI 및 인공 지능 ETF에 대한 투자가 증가했습니다.