Lógica difusa explicada: Cómo la IA maneja la incertidumbre

La lógica difusa puede no sonar como el medio más confiable para implementar un sistema de control complejo. Sin embargo, la capacidad de los sistemas de lógica difusa para trabajar con datos imprecisos e implementar la experiencia de expertos la convierte en una herramienta poderosa en aplicaciones de control modernas.

 

Visión general de la lógica difusa

La lógica difusa, una subdivisión de la IA (inteligencia artificial) desarrollada por Lofti Zada en 1965, permite a un sistema informático imitar cómo los humanos interpretan e interactúan con los datos. Mientras que la lógica booleana se limita a dos resultados (Verdadero o Falso, 0 o 1), la lógica difusa trata con grados de verdad.

Considere, como ejemplo, un sistema de visión artificial que permite a un sistema robótico autónomo navegar por un piso de almacén ocupado. Veríamos una puerta a nuestra derecha abrirse rápidamente y sabríamos que un obstáculo probablemente está a punto de aparecer. Pero la lógica booleana no trata en "probablemente" - trata en "un obstáculo está a punto de aparecer" y "un obstáculo no está a punto de aparecer".

Con la lógica difusa, entradas como la velocidad con la que se abrió la puerta (es decir, muy lento, lento, promedio, rápido, muy rápido), dónde está ubicada la puerta y la hora del día pueden transformarse en la probabilidad de que un obstáculo esté a punto de aparecer (p. ej., 0.8).

 

Conceptos básicos de la lógica difusa

En un sistema de lógica difusa, hay tres tipos diferentes de valores:

• Valores de entrada, que están en forma de valores numéricos crisp (nítidos) (p. ej., T = 120 °C)
• Valores difusos, que representan la probabilidad de que un valor crisp caiga en un conjunto de categorías representadas lingüísticamente (p. ej., Bajo = 0.2, Normal = 0.8, Alto = 0.0)
• Valores de salida, que son desfusificados y crisp (Prioridad = 0.7)

 

Hay cuatro partes en un sistema de lógica difusa:

1. Módulo de difusificación
2. Base de conocimiento
3. Motor de inferencia
4. Módulo de desfusificación

 

El módulo de difusificación recibe las entradas del sistema en forma de valores numéricos crisp (en oposición a difusos). La señal de entrada de valor crisp se divide en un conjunto de categorías usualmente representadas por valores lingüísticos (p. ej., frío, tibio, caliente).

Figura 1. Un gráfico de tres funciones de pertenencia representando pobre, bueno y excelente. Imagen cortesía de Mathworks

 

El valor difuso para cada categoría es la probabilidad de que el valor crisp caiga en ella. Los valores difusos también pueden pensarse como un "grado de verdad": un coche viajando a 95 mph podría ser "viajando rápido con un grado de verdad de 0.75". El proceso de difusificación real se logra mediante un conjunto de funciones de pertenencia, siendo las más comunes triangular, trapezoidal, gaussiana o sigmoide.

La base de conocimiento contiene un conjunto de reglas si-entonces basadas en el razonamiento humano e informadas por un experto en el área temática. Aquí hay un ejemplo de cómo puede verse esto:

• SI Temp es Alta Y Velocidad es Baja ENTONCES Nivel_Alerta = Moderado
• SI Temp es Alta Y Velocidad es Muy_Alta ENTONCES Nivel_Alerta = Bajo
• SI Velocidad es Baja Y Temp es Alta O Acel es ALTO Entonces Nivel_Alerta = Alto

 

El motor de inferencia usa las reglas de la base de conocimiento para los valores difusos de una manera similar a como lo haría un experto en la materia. El resultado es otro valor difuso y en este caso.

Finalmente, el módulo de desfusificación convierte la salida del motor de inferencia en un valor crisp, muy parecido a un reverso del módulo de difusificación. En este ejemplo, el nivel de alerta podría salir a 0.8, lo que ayuda a los técnicos a priorizar tareas de mantenimiento preventivo.

 

Cómo se usa la lógica difusa

La lógica difusa se usa ampliamente, y muchas personas se benefician de sus capacidades sin darse cuenta. El procesamiento de lenguaje natural, donde se usan comandos de voz para interactuar con objetos, es un área donde se aplica la lógica difusa. En el procesamiento de lenguaje natural, hay un nivel de incertidumbre sobre lo que un individuo está diciendo. Aun así, la lógica difusa puede lidiar con datos tan ruidosos o imprecisos para interpretar lo que se dice con un alto grado de precisión.

 

Figura 2. La lógica difusa y las redes neuronales pueden identificar varias regiones en imágenes satelitales incluyendo instalaciones petrolíferas marinas.

 

Los ingenieros usan la lógica difusa como parte de su sistema de apoyo a la toma de decisiones, y se puede encontrar integrada en marketing y publicidad. Además, los sistemas de lógica difusa pueden combinarse con redes neuronales como parte de sistemas de visión artificial para identificar posiblemente la diferenciación entre tierras de cultivo, áreas urbanas, bosques y agua en imágenes satelitales.

Un área donde la lógica difusa ha encontrado aplicaciones extensas, sin embargo, es en sistemas de control.

 

Lógica difusa y sistemas de control

En automóviles, puede haber un sistema de lógica difusa que controle el sistema de frenado. Los vehículos autónomos dependen en gran medida del control de lógica difusa (FLC) para sistemas como velocidad, dirección y control de crucero adaptativo. E incluso los automóviles no autónomos probablemente utilizarán FLC para el sistema de frenado. Los sistemas de aire acondicionado, también, a menudo dependen de la lógica difusa como parte de termostatos inteligentes para mantener las temperaturas de la habitación y la velocidad del ventilador en niveles cómodos mientras optimizan el consumo de energía.

Sin embargo, esos son solo dos ejemplos de su uso. El FLC se puede encontrar en industrias muy diversas, incluyendo automatización industrial, fabricación biomédica, procesamiento petroquímico, fabricación automotriz y energía nuclear.

Bombas, motores, ventiladores y trenes de transmisión pueden controlarse usando lógica difusa, recibiendo datos de un array de sensores como entrada. El control de movimiento extremadamente preciso puede lograrse utilizando FLC, de ahí su uso en sistemas de mecanizado por control numérico computarizado (CNC). Su capacidad para controlar temperaturas eficazmente se evidencia por su uso en hornos y hornos de tratamiento térmico que dependen de ciclos de temperatura altamente precisos. El FLC también puede supervisar interacciones de sistemas extremadamente complejas, como las vistas en robótica de enjambre.

 

Figura 3. La tecnología detrás del desarrollo de sistemas de robótica de enjambre, como este desarrollado por el Laboratorio de Investigación de Electrónica del MIT, aprovechando el poder de los sistemas de control difuso. Imagen cortesía de MIT

 

El FLC también es invaluable en sistemas que dependen de la visión artificial y ha hecho posibles y efectivos muchos avances en automatización industrial, IIoT e Industria 4.0.

Los sistemas de control tradicionales dependen de datos y reglas muy precisas que pueden no ser capaces de tener en cuenta la experiencia de operadores y expertos. Por otro lado, la lógica difusa es ideal para aplicaciones donde los datos son ruidosos, imprecisos o parcialmente faltantes. Su base de conocimiento puede aprovechar la visión y experiencia de personas reales para simular su proceso de toma de decisiones.