Fuzzy Logic

La logica fuzzy è un paradigma computazionale che modella il ragionamento basandosi su "gradi di verità" piuttosto che sul rigido binario "vero o falso" spesso riscontrato nell'informatica classica. Mentre i computer standard utilizzano la logica booleana per assegnare valori strettamente pari a 0 o 1, i sistemi fuzzy consentono valori compresi tra 0 e 1. Questa flessibilità permette all'Intelligenza Artificiale (AI) di gestire ambiguità, vaghezza e informazioni imprecise, imitando più da vicino i processi cognitivi umani nell'elaborazione di dati complessi.

Link to this sectionIl meccanismo del ragionamento fuzzy#

Nell'informatica tradizionale, un input appartiene o meno a un insieme. La logica fuzzy introduce il concetto di funzioni di appartenenza, che mappano i dati di input su un valore compreso tra 0 e 1, rappresentando il grado di appartenenza. Ad esempio, in un sistema di controllo climatico, una temperatura di 75°F potrebbe non essere semplicemente classificata come "calda", ma piuttosto come "0,6 calda".

Questo processo prevede generalmente tre fasi chiave:

1. Fuzzificazione: conversione di input numerici netti in insiemi fuzzy utilizzando funzioni di appartenenza.

2. Inferenza: applicazione di regole "Se-Allora" per determinare i risultati basati sui dati fuzzy.

3. Defuzzificazione: trasformazione del risultato fuzzy in un output preciso e azionabile.

Questo approccio è particolarmente vantaggioso per gestire dati visivi rumorosi, dove è difficile definire confini chiari.

Link to this sectionRilevanza nel Machine Learning e nella Computer Vision#

Nel contesto della Computer Vision (CV) e del Machine Learning (ML), i valori esatti dei pixel spesso fluttuano a causa di illuminazione, occlusione o rumore del sensore. La logica fuzzy colma il divario tra gli output numerici precisi di una rete neurale e le interpretazioni linguistiche utilizzate dagli esseri umani.

Link to this sectionApplicazioni nel mondo reale#

• Guida autonoma: i veicoli autonomi utilizzano la logica fuzzy per eseguire azioni di controllo fluide. Invece di frenare bruscamente quando viene rilevato un ostacolo, il sistema valuta il "grado di pericolo" basandosi su velocità e distanza per eseguire una decelerazione graduale, garantendo la sicurezza e il comfort dei passeggeri.
• Diagnosi medica: nell'analisi di immagini mediche, i tessuti spesso non presentano confini distinti. La logica fuzzy aiuta i sistemi di AI in ambito sanitario a segmentare le immagini dove i tumori si confondono con il tessuto sano, consentendo una valutazione del rischio più sfumata e una modellazione predittiva.

Link to this sectionLogica Fuzzy vs. Probabilità#

È fondamentale distinguere la logica fuzzy dalla teoria della probabilità, poiché vengono spesso confuse nonostante affrontino diversi tipi di incertezza.

• La probabilità si occupa della probabilità che si verifichi un evento futuro (es. "C'è una probabilità del 50% che piova"). Modella la casualità.
• La logica fuzzy si occupa del grado di verità di uno stato (es. "Il terreno è umido al 50%"). Modella l'ambiguità nella definizione dell'evento stesso.

Link to this sectionImplementazione pratica#

Nei flussi di lavoro pratici di rilevamento oggetti, la logica fuzzy viene spesso applicata durante la post-elaborazione. Puoi mappare il punteggio di confidenza di un modello su categorie linguistiche per creare sofisticate regole di filtraggio.

Il seguente esempio in Python mostra come applicare una categorizzazione di tipo fuzzy ai risultati di inferenza di 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 sectionConcetti correlati#

• Sistemi esperti: primi programmi di AI che emulavano il processo decisionale umano, basandosi pesantemente su regole fuzzy per elaborare le informazioni.
• Sistemi neuro-fuzzy: architetture ibride che combinano le capacità di apprendimento del Deep Learning (DL) con l'interpretabilità del ragionamento fuzzy.
• Segmentazione delle immagini: un'attività di computer vision che beneficia spesso della logica fuzzy quando si definiscono i confini degli oggetti in dataset complessi.
• Ultralytics Platform: un ambiente moderno in cui puoi gestire dataset e addestrare modelli che possono fungere da motori di input netti per i controller basati su logica fuzzy.