Fuzzy Logic

المنطق الضبابي هو نموذج حوسبي يحاكي الاستدلال بناءً على "درجات الحقيقة" بدلاً من الثنائية الصارمة "صواب أو خطأ" التي غالباً ما نجدها في الحوسبة التقليدية. بينما تستخدم أجهزة الكمبيوتر القياسية المنطق البولياني لتعيين قيم 0 أو 1 بدقة، تسمح الأنظمة الضبابية بقيم تتراوح بين 0 و 1. تتيح هذه المرونة لـ الذكاء الاصطناعي (AI) التعامل مع الغموض، وعدم الوضوح، والمعلومات غير الدقيقة، مما يحاكي العمليات الإدراكية البشرية بشكل أوثق عند معالجة البيانات المعقدة.

Link to this sectionآلية الاستدلال الضبابي#

في الحوسبة التقليدية، إما أن ينتمي المدخل إلى مجموعة ما أو لا ينتمي. يقدم المنطق الضبابي مفهوم دوال العضوية، التي تعين بيانات المدخلات إلى قيمة تتراوح من 0 إلى 1، مما يمثل درجة العضوية. على سبيل المثال، في نظام التحكم في المناخ، قد لا تُصنف درجة حرارة 75 درجة فهرنهايت ببساطة على أنها "ساخنة"، بل على أنها "دافئة بنسبة 0.6".

تتضمن هذه العملية بشكل عام ثلاث مراحل رئيسية:

1. التضبيب (Fuzzification): تحويل المدخلات الرقمية المحددة إلى مجموعات ضبابية باستخدام دوال العضوية.

2. الاستدلال (Inference): تطبيق قواعد "إذا-فإن" لتحديد النتائج بناءً على البيانات الضبابية.

3. إزالة التضبيب (Defuzzification): تحويل النتيجة الضبابية مرة أخرى إلى مخرج دقيق وقابل للتنفيذ.

يعد هذا النهج مفيداً بشكل خاص للتعامل مع البيانات المرئية المشوشة، حيث يصعب تحديد حدود واضحة.

Link to this sectionالأهمية في تعلم الآلة والرؤية الحاسوبية#

في سياق الرؤية الحاسوبية (CV) وتعلم الآلة (ML)، غالباً ما تتقلب قيم البكسل الدقيقة بسبب الإضاءة، أو الانسداد، أو ضوضاء المستشعر. يعمل المنطق الضبابي على سد الفجوة بين المخرجات الرقمية الدقيقة لـ الشبكة العصبية والتفسيرات اللغوية التي يستخدمها البشر.

Link to this sectionتطبيقات العالم الحقيقي#

• القيادة الذاتية: تستخدم المركبات ذاتية القيادة المنطق الضبابي لتنفيذ إجراءات تحكم سلسة. فبدلاً من الكبح المفاجئ عند اكتشاف عائق، يقوم النظام بتقييم "درجة الخطر" بناءً على السرعة والمسافة لتنفيذ تباطؤ تدريجي، مما يضمن سلامة الركاب وراحتهم.
• التشخيص الطبي: في تحليل الصور الطبية، غالباً لا تحتوي الأنسجة على حدود مميزة. يساعد المنطق الضبابي أنظمة الذكاء الاصطناعي في الرعاية الصحية على تقسيم الصور حيث تتداخل الأورام مع الأنسجة السليمة، مما يسمح بتقييم مخاطر أكثر دقة ونمذجة تنبؤية.

Link to this sectionالمنطق الضبابي مقابل الاحتمالية#

من الضروري التمييز بين المنطق الضبابي ونظرية الاحتمالات، حيث غالباً ما يتم الخلط بينهما على الرغم من تعاملهما مع أنواع مختلفة من عدم اليقين.

• الاحتمالية تتعامل مع احتمال وقوع حدث مستقبلي (على سبيل المثال، "هناك فرصة بنسبة 50% لهطول الأمطار"). فهي تنمذج العشوائية.
• المنطق الضبابي يتعامل مع درجة حقيقة الحالة (على سبيل المثال، "الأرض مبللة بنسبة 50%"). فهو ينمدج الغموض في تعريف الحدث نفسه.

Link to this sectionالتنفيذ العملي#

في سير عمل اكتشاف الكائنات العملي، غالباً ما يتم تطبيق المنطق الضبابي أثناء المعالجة اللاحقة. يمكن للمطورين تعيين درجة الثقة الخاصة بالنموذج إلى فئات لغوية لإنشاء قواعد تصفية متطورة.

يوضح مثال Python التالي كيفية تطبيق تصنيف شبيه بالمنطق الضبابي على نتائج استنتاج Ultralytics YOLO26:

from ultralytics import YOLO

# Load the YOLO26 model and run inference
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# Get confidence score of the first detected object
conf = results[0].boxes.conf[0].item()


# Apply fuzzy linguistic categorization (Membership function logic)
def get_fuzzy_degree(score):
    if score > 0.8:
        return "High Certainty"
    elif score > 0.5:
        return "Moderate Certainty"
    return "Uncertain"


print(f"Score: {conf:.2f} -> Category: {get_fuzzy_degree(conf)}")

Link to this sectionمفاهيم ذات صلة#

• أنظمة الخبراء: برامج ذكاء اصطناعي مبكرة تحاكي عملية اتخاذ القرار البشري، وتعتمد بشكل كبير على القواعد الضبابية لمعالجة المعلومات.
• الأنظمة العصبية الضبابية: بنيات هجينة تجمع بين قدرات التعلم لـ التعلم العميق (DL) وقابلية التفسير للاستدلال الضبابي.
• تقسيم الصور: مهمة رؤية حاسوبية تستفيد غالباً من المنطق الضبابي عند تحديد حدود الكائنات في مجموعات بيانات معقدة.
• منصة Ultralytics: بيئة حديثة حيث يمكن للمستخدمين إدارة مجموعات البيانات وتدريب النماذج التي قد تعمل كمحركات إدخال محددة لوحدات تحكم المنطق الضبابي.