Fuzzy Logic

المنطق الضبابي هو نموذج حاسوبي يصمم الاستدلال استنادًا إلى "درجات الصحة" بدلاً من الثنائية الصارمة "صحيح أو خطأ" التي توجد غالبًا في الحوسبة الكلاسيكية. وفي الوقت الذي تستخدم فيه أجهزة الكمبيوتر القياسية منطق بول لتعيين قيم تساوي حصرياً 0 أو 1، تتيح الأنظمة الضبابية قيماً واقعة في أي مكان بين 0 و1. وتتيح هذه المرونة لـ الذكاء الاصطناعي (AI) التعامل مع الغموض، والإبهام، والمعلومات غير الدقيقة، محاكاةً للعمليات المعرفية البشرية بشكل أكبر عند معالجة البيانات المعقدة.

آلية الاستدلال الضبابي#

في الحوسبة التقليدية، إما أن ينتمي المدخل إلى مجموعة أو لا ينتمي إليها. ويقدم المنطق الضبابي مفهوم دوال الانتماء، والتي تربط بيانات الإدخال بقيمة تتراوح بين 0 و1، مما يمثل درجة الانتماء. 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.

هذا النهج مفيد بشكل خاص للتعامل مع بيانات الرؤية المشوشة، حيث يصعب تحديد الحدود الواضحة.

الأهمية في تعلم الآلة والرؤية الحاسوبية#

في سياق الرؤية الحاسوبية (CV) والتعلم الآلي (ML)، غالبًا ما تتقلب قيم البكسل الدقيقة بسبب الإضاءة، أو الانسداد، أو ضوضاء المستشعر. ويسد المنطق الضبابي الفجوة بين المخرجات العددية الدقيقة لـ الشبكة العصبية والتفسيرات اللغوية التي يستخدمها البشر.

تطبيقات العالم الحقيقي#

• القيادة الذاتية: تستخدم المركبات ذاتية القيادة المنطق الضبابي لتنفيذ إجراءات تحكم سلسة. وبدلاً من الكبح بشكل مفاجئ عند اكتشاف عقبة، يقيّم النظام "درجة الخطر" بناءً على السرعة والمسافة لتنفيذ تباطؤ تدريجي، مما يضمن سلامة الركاب وراحتهم.
• التشخيص الطبي: في تحليل الصور الطبية، لا تمتلك الأنسجة غالبًا حدودًا مميزة. يساعد المنطق الضبابي أنظمة الذكاء الاصطناعي في الرعاية الصحية في تجزئة الصور حيث تندمج الأورام في الأنسجة السليم، مما يسمح بتقييم مخاطر أكثر دقة ونمذجة تنبؤية.

المنطق الضبابي مقابل الاحتمالية#

من الأهمية بمكان تمييز المنطق الضبابي عن نظرية الاحتمالات، حيث يتم الخلط بينهما غالبًا على الرغم من معالجتهما لنوعين مختلفين 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.

التنفيذ العملي#

في سير عمل اكتشاف الكائنات العملية، يُطبق المنطق الضبابي غالباً أثناء المعالجة اللاحقة. ويمكن للمطورين تعيين درجة الثقة الخاصة بالنموذج إلى فئات لغوية لإنشاء قواعد تصفية متطورة.

يوضح مثال Python التالي كيفية تطبيق التصنيف الشبيه بالضبابية على نتائج استدلال 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)}")

مفاهيم ذات صلة#

• الأنظمة الخبيرة: برامج الذكاء الاصطناعي المبكرة التي تحاكي اتخاذ القرار البشري، والتي تعتمد بشكل كبير على القواعد الضبابية لمعالجة المعلومات.
• الأنظمة العصبية الضبابية: هياكل هجينة تجمع بين قدرات التعلم الخاصة بـ التعلم العميق (DL) وإمكانية تفسير الاستدلال الضبابي.
• تجزئة الصور: مهمة رؤية حاسوبية تستفيد بشكل متكرر من المنطق الضبابي عند تحديد حدود الكائنات في مجموعات البيانات المعقدة.
• منصة Ultralytics: بيئة حديثة حيث يمكن للمستخدمين إدارة مجموعات البيانات وتدريب النماذج التي قد تعمل محركات إدخال واضحة لوحدات التحكم في المنطق الضبابي.