Fuzzy Logic

المنطق الضبابي هو نموذج حوسبي يحاكي الاستدلال استنادًا إلى «درجات من الحقيقة» بدلًا من الثنائية الصارمة «صحيح أو خطأ» الشائعة في الحوسبة الكلاسيكية. وبينما تستخدم الحواسيب التقليدية المنطق البولياني لتعيين قيم تقتصر على 0 أو 1، تتيح الأنظمة الضبابية قيمًا تتراوح بين 0 و1. وتمكّن هذه المرونة الذكاء الاصطناعي (AI) من التعامل مع الغموض، وعدم الوضوح، والمعلومات غير الدقيقة، بما يحاكي العمليات الإدراكية البشرية بدرجة أكبر عند معالجة البيانات المعقدة.

آلية الاستدلال الضبابي#

في الحوسبة التقليدية، ينتمي الإدخال إلى مجموعة أو لا ينتمي إليها. ويقدم المنطق الضبابي مفهوم دوال العضوية التي تربط بيانات الإدخال بقيمة تتراوح من 0 إلى 1، وتمثل درجة الانتماء. فعلى سبيل المثال، في نظام للتحكم في المناخ، قد لا تُصنَّف درجة حرارة تبلغ 75°F ببساطة على أنها «حارة»، بل على أنها «دافئة بدرجة 0.6».

تتضمن هذه العملية عمومًا ثلاث مراحل رئيسية:

1. التضبيب: تحويل المدخلات العددية الدقيقة إلى مجموعات ضبابية باستخدام دوال العضوية.

2. الاستدلال: تطبيق قواعد «إذا-فإن» لتحديد النتائج استنادًا إلى البيانات الضبابية.

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

يُعد هذا النهج مفيدًا بوجه خاص في التعامل مع البيانات المرئية المشوشة، حيث يصعب تحديد الحدود الواضحة.

الأهمية في تعلّم الآلة ورؤية الحاسوب#

في سياق رؤية الحاسوب (CV) وتعلّم الآلة (ML)، غالبًا ما تتذبذب قيم البكسلات الدقيقة بسبب الإضاءة أو حجب الرؤية أو ضوضاء المستشعر. ويسد المنطق الضبابي الفجوة بين المخرجات العددية الدقيقة لـالشبكة العصبية والتفسيرات اللغوية التي يستخدمها البشر.

التطبيقات الواقعية#

• القيادة الذاتية: تستخدم المركبات ذاتية القيادة المنطق الضبابي لتنفيذ إجراءات تحكم سلسة. فبدلًا من الكبح المفاجئ عند اكتشاف عائق، يقيّم النظام «درجة الخطر» استنادًا إلى السرعة والمسافة لتنفيذ تباطؤ تدريجي، بما يضمن سلامة الركاب وراحتهم.
• التشخيص الطبي: في تحليل الصور الطبية، غالبًا لا تكون للأنسجة حدود مميزة. ويساعد المنطق الضبابي أنظمة الذكاء الاصطناعي في الرعاية الصحية على تقسيم الصور التي تمتزج فيها الأورام بالأنسجة السليمة، مما يتيح تقييمًا أكثر دقة للمخاطر ونمذجة تنبؤية.

المنطق الضبابي مقابل الاحتمالية#

من الضروري التمييز بين المنطق الضبابي ونظرية الاحتمالات، إذ غالبًا ما يُخلط بينهما رغم تناولهما نوعين مختلفين من عدم اليقين.

• الاحتمالية تتعامل مع احتمال وقوع حدث مستقبلي (مثل: «هناك احتمال بنسبة 50% لهطول المطر»). وهي تحاكي العشوائية.
• المنطق الضبابي يتعامل مع درجة حقيقة حالة ما (مثل: «الأرض مبللة بنسبة 50%»). وهو يحاكي الغموض في تعريف الحدث نفسه.

التنفيذ العملي#

في سير عمل اكتشاف الأجسام العملي، غالبًا ما يُطبَّق المنطق الضبابي أثناء المعالجة اللاحقة. ويمكن للمطورين ربط درجة الثقة الخاصة بالنموذج بفئات لغوية لإنشاء قواعد تصفية متقدمة.

يوضح مثال Python التالي كيفية تطبيق تصنيف شبيه بالتصنيف الضبابي 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)}")

المفاهيم ذات الصلة#

• الأنظمة الخبيرة: برامج مبكرة للذكاء الاصطناعي تحاكي اتخاذ القرار البشري، وتعتمد بدرجة كبيرة على القواعد الضبابية لمعالجة المعلومات.
• الأنظمة العصبية الضبابية: بنيات هجينة تجمع بين قدرات التعلّم في التعلّم العميق (DL) وقابلية تفسير الاستدلال الضبابي.
• تقسيم الصور: مهمة في رؤية الحاسوب تستفيد غالبًا من المنطق الضبابي عند تحديد حدود الأجسام في مجموعات البيانات المعقدة.
• منصة Ultralytics: بيئة حديثة يمكن للمستخدمين فيها إدارة مجموعات البيانات وتدريب النماذج التي قد تعمل كمحركات إدخال دقيقة لوحدات التحكم بالمنطق الضبابي.