Apa yang terjadi dengan Fuzzy Logic?

Logika fuzzy tampak seperti bidang aktif dalam pembelajaran mesin dan penggalian data ketika saya masih di sekolah menengah (awal 2000-an). Sistem inferensi fuzzy, fuzzy c-means, versi fuzzy dari berbagai jaringan saraf dan dukungan arsitektur mesin vektor semua diajarkan dalam kursus pascasarjana dan dibahas dalam konferensi.

Sejak saya mulai memperhatikan ML lagi (~ 2013), Fuzzy Logic tampaknya telah menurunkan peta sepenuhnya dan ketidakhadirannya dari lanskap ML saat ini sangat mencolok mengingat semua hype AI.

Apakah ini merupakan topik yang tidak lagi populer, atau adakah batasan khusus logika fuzzy dan inferensi fuzzy yang menyebabkan topik tersebut ditinggalkan oleh para peneliti?

Untuk memperjelas, berdasarkan komentar jbowman: Apakah ada beberapa peristiwa atau temuan yang menyebabkan FL keluar dari mode, mirip misalnya dengan jaringan saraf di tahun 60-an, ketika mereka keluar dari mode karena terbukti bahwa mereka tidak dapat menyelesaikan XOR ? Atau Fuzzy Systems dikalahkan oleh paradigma yang bersaing?

Jawaban saya secara teknis lebih relevan untuk set fuzzy daripada logika fuzzy, tetapi kedua konsep ini praktis tidak dapat dipisahkan. Saya mempelajari artikel jurnal akademik tentang logika fuzzy beberapa tahun yang lalu untuk menulis seri tutorial tentang penerapan set fuzzy di SQL Server . Meskipun saya hampir tidak bisa dianggap ahli, saya cukup akrab dengan literatur dan menggunakan teknik secara teratur untuk memecahkan masalah praktis. Kesan kuat yang saya peroleh dari penelitian yang dipublikasikan adalah bahwa potensi praktis dari set fuzzy masih belum dimanfaatkan, terutama karena banjir penelitian pada lusinan keluarga teknik lain yang dapat menyelesaikan set pertanyaan yang saling melengkapi.

Gagasan Pasar Gagasan dalam Ilmu Data / Pembelajaran Mesin dll.

Sudah ada kemajuan pesat dalam Support Vector Machines, jaring saraf, hutan acak, dll. Sehingga tidak mungkin bagi spesialis, analis, ilmuwan data, pemrogram atau konsumen produk mereka untuk mengikuti semua itu. Dalam seri posting blog saya, saya berbicara panjang lebar tentang bagaimana pengembangan algoritma untuk set fuzzy dan logis umumnya 20+ tahun di depan perangkat lunak yang tersedia, tetapi hal yang sama dapat dikatakan tentang banyak bidang terkait; Saya membaca secara intensif tentang jaring saraf dan dapat memikirkan sejumlah arsitektur saraf yang bermanfaat yang dikembangkan beberapa dekade yang lalu tetapi tidak pernah diterapkan secara luas, apalagi dikodekan dalam perangkat lunak yang mudah tersedia. Yang sedang berkata, logika fuzzy dan set berada pada kerugian aneh di pasar yang penuh ide ini, terutama karena moniker mereka, yang kontroversial kembali ketika Lofti A. Zadeh menciptakannya. Maksud dari teknik fuzzy hanyalah untuk memperkirakan kelas tertentu dari data yang dinilai secara diskrit pada skala kontinu, tetapi istilah-istilah seperti "perkiraan logika yang bernilai kontinu" dan "perangkat bergradasi" tidak persis menarik. Zadeh mengakui bahwa dia menggunakan istilah "fuzzy" sebagian karena itu menarik perhatian, tetapi melihat ke belakang, itu mungkin secara halus telah mengumpulkan jenis perhatian yang salah.

Bagaimana Istilah "Fuzz" menjadi bumerang

Bagi seorang ilmuwan data, analis atau programmer, itu adalah istilah yang dapat membangkitkan getaran "teknologi keren"; untuk mereka yang tertarik dengan AI / data mining / dll. dll. hanya sejauh itu dapat menyelesaikan masalah bisnis, "fuzzy" terdengar seperti kerumitan yang tidak praktis. Bagi seorang manajer perusahaan, dokter yang terlibat dalam penelitian medis, atau konsumen lain yang tidak tahu, itu mungkin membangkitkan gambar boneka binatang, pertunjukan polisi tahun 70-an atau sesuatu dari lemari es George Carlin. Selalu ada ketegangan dalam industri antara kedua kelompok, dengan yang terakhir sering mengekang yang pertama dari menulis kode dan melakukan penelitian hanya demi keingintahuan intelektual daripada keuntungan; kecuali kelompok pertama dapat menjelaskan mengapa teknik fuzzy ini menguntungkan maka kewaspadaan yang pertama akan mencegah adopsi mereka.

Manajemen Ketidakpastian & Keluarga Aplikasi Fuzzy Set

Inti dari teknik himpunan fuzzy adalah untuk menghapusfuzz yang sudah melekat dalam data, dalam bentuk nilai diskrit yang tidak tepat yang dapat dimodelkan dengan lebih baik pada skala kontinu yang didekati, bertentangan dengan kesalahan persepsi luas bahwa "fuzz" adalah sesuatu yang Anda tambahkan, seperti topping khusus pada pizza. Perbedaan itu mungkin sederhana tetapi mencakup beragam aplikasi potensial, mulai dari pemrosesan bahasa alami hingga Teori Keputusan hingga kontrol sistem nonlinier. Probabilitas belum menyerap logika fuzzy seperti yang disarankan Cliff AB terutama karena hanya sebagian kecil dari interpretasi yang dapat dilampirkan pada nilai fuzzy. Fungsi keanggotaan fuzzy cukup sederhana karena mereka hanya menilai berapa banyak catatan milik set tertentu dengan menetapkan satu atau lebih nilai kontinu, biasanya pada skala 0 hingga 1 (walaupun untuk beberapa aplikasi saya ' telah menemukan bahwa -1 hingga 1 dapat lebih bermanfaat). Makna yang kami berikan pada angka-angka itu terserah pada kami, karena mereka dapat menandakan apa pun yang kami inginkan, seperti tingkat kepercayaan Bayesian, kepercayaan pada keputusan tertentu, distribusi kemungkinan, aktivasi jaringan saraf, varians berskala, korelasi, dll., bukan hanya nilai PDF, EDF, atau CDF. Saya masuk ke detail yang jauh lebih besar di seri blog saya dan diposting CV ini , yang sebagian besar diperoleh dengan bekerja melalui sumber daya fuzzy favorit saya, George J. Klir, dan Set Fuzzy Bozzy dan Logika Fuzzy: Teori dan Aplikasi (1995). Mereka masuk ke detail yang jauh lebih besar ke dalam cara menurunkan seluruh program "Manajemen Ketidakpastian" dari set fuzzy.

Jika fuzzy logic dan set adalah produk konsumen, kita dapat mengatakan bahwa itu gagal sampai saat ini karena kurangnya pemasaran dan penginjilan produk, ditambah pilihan paradoks nama merek. Saat meneliti ini, saya tidak dapat mengingat berlari ke satu artikel jurnal akademik yang mencoba untuk menghilangkan prasangka dari salah satu aplikasi ini dengan cara yang mirip dengan artikel terkenal Minksy dan Papert tentang perceptrons. Hanya ada banyak kompetisi di pasar gagasan hari ini untuk perhatian pengembang, ahli teori, ilmuwan data dan sejenisnya untuk produk yang berlaku untuk set masalah yang sama, yang merupakan efek samping positif dari kemajuan teknis yang cepat. Kelemahannya adalah bahwa ada banyak buah yang mudah digantung di sini yang tidak akan dipetik, terutama dalam bidang pemodelan data di mana mereka paling dapat diterapkan.

Alasan mengapa ide-ide logika fuzzy keluar dari mode (dalam ML) tidak jelas bagi saya. Mungkin sedikit banyak alasan, baik itu teknis, sosiologis, dll ... Satu hal yang pasti adalah bahwa matematika ML selama beberapa tahun terakhir telah didominasi oleh probabilitas / statistik dan optimasi, dua bidang di mana logika fuzzy (atau gagasan yang dikeluarkan dari literatur fuzzy) dapat mengisi, tetapi di mana mereka biasanya membawa lebih banyak jawaban daripada pertanyaan. Satu keuntungan lain dari probabilitas dan optimisasi adalah bahwa walaupun ada kecenderungan / interpretasi yang berbeda di dalamnya (misalnya, Bayesian vs sering), kerangka formal / matematika dasar agak stabil untuk mereka (itu kurang jelas, menurut saya, untuk logika fuzzy dipahami dalam arti luas).

• Hüllermeier, E. (2015). Apakah pembelajaran mesin membutuhkan logika fuzzy? Perangkat dan Sistem Fuzzy, 281, 292-299.

Saya pikir salah satu ide dasar logika fuzzy, yaitu untuk memodelkan konsep yang bertahap dan menyediakan alat penalaran (terutama memperluas logika, tetapi tidak hanya) yang terkait dengannya, masih ada dalam beberapa ide ML, termasuk yang sangat baru. Anda hanya perlu mencermati karena itu agak jarang. Dua contoh termasuk:

• Farnadi, G., Bach, SH, Moens, MF, Getoor, L., & De Cock, M. (2017). Kuantifikasi lunak dalam pembelajaran relasional statistik. Pembelajaran Mesin, 106 (12), 1971-1991. (di mana referensi termasuk yang logika fuzzy, termasuk kertas mani Zadeh)
• Cheng, W., Rademaker, M., De Baets, B., & Hüllermeier, E. (2010, September). Memprediksi pesanan parsial: peringkat dengan abstain. Dalam konferensi Eropa Bersama tentang pembelajaran mesin dan penemuan pengetahuan dalam basis data (hlm. 215-230). Springer, Berlin, Heidelberg.

Secara keseluruhan, untuk menjawab pertanyaan Anda dengan alasan yang lebih pribadi, perasaan saya adalah bahwa tidak ada persepsi yang jelas tentang apa yang bisa dicapai oleh logika fuzzy (dalam pandangan ML terakhir) bahwa probabilitas tidak bisa, dan karena yang terakhir jauh lebih tua dan jelas cocok lebih baik dengan kerangka kerja ML melihat data yang dikeluarkan dari populasi probabilistik, itu lebih alami untuk pergi dengan probabilitas dan statistik daripada dengan logika fuzzy. Ini juga berarti bahwa jika Anda ingin menggunakan logika fuzzy dalam ML, Anda harus menyajikan alasan yang meyakinkan dan baik untuk melakukannya (misalnya, menggunakan fakta bahwa mereka memperluas logika dengan menyediakan fungsi yang terdiferensiasi sehingga Anda dapat memasukkan aturan logis dalam pembelajaran mendalam teknik).