Fuzzy Logic

ファジー論理は、従来のコンピューティングでよく使われる厳密な「真または偽」という二値ではなく、「真理の度合い」に基づく推論をモデル化する計算パラダイムです。標準的なコンピューターは、値を厳密に0または1に割り当てるブール論理を使用しますが、ファジーシステムでは0から1までの任意の値を扱えます。この柔軟性により、人工知能（AI）は曖昧さ、漠然さ、不正確な情報を処理でき、複雑なデータを扱う際に人間の認知プロセスをより忠実に模倣できます。

ファジー推論の仕組み#

従来のコンピューティングでは、入力はある集合に属するか、属さないかのいずれかです。ファジー論理では、入力データを0から1までの値に対応付けるメンバーシップ関数という概念を導入し、その値で所属度を表します。たとえば、空調制御システムでは、75°Fの温度を単純に「暑い」と分類するのではなく、「暖かさ0.6」と分類する場合があります。

このプロセスには通常、次の3つの主要な段階があります。

1. ファジィ化: メンバーシップ関数を使用して、明確な数値入力をファジー集合に変換します。

2. 推論: ファジーなデータに基づいて結果を決定するため、「If-Then」ルールを適用します。

3. 非ファジィ化: ファジーな結果を、正確で実行可能な出力に変換します。

このアプローチは、明確な境界を定義することが難しいノイズを含む視覚データの処理に特に有効です。

Machine LearningとComputer Visionにおける関連性#

コンピュータービジョン（CV）と機械学習（ML）の文脈では、照明、オクルージョン、センサーノイズなどにより、正確なピクセル値が変動することがよくあります。ファジー論理は、ニューラルネットワークが出力する正確な数値と、人間が用いる言語的な解釈との間のギャップを埋めます。

実世界での利用例#

• 自動運転: 自動運転車は、滑らかな制御動作を実行するためにファジー論理を利用します。障害物を検出した際に急ブレーキをかけるのではなく、システムは速度と距離に基づいて「危険度」を評価し、段階的に減速することで、乗員の安全性と快適性を確保します。
• 医療診断: 医用画像解析では、組織の境界が明確でないことがよくあります。ファジー論理は、腫瘍と健常組織の境界が曖昧な画像を医療分野のAIシステムがセグメンテーションできるよう支援し、よりきめ細かなリスク評価と予測モデリングを可能にします。

ファジー論理と確率の比較#

ファジー論理と確率論は、異なる種類の不確実性を扱うにもかかわらず、混同されることが多いため、両者を区別することが重要です。

• 確率は、将来の事象が発生する可能性を扱います（例: 「雨が降る確率は50%です」）。確率はランダム性をモデル化します。
• ファジー論理は、ある状態の真理の度合いを扱います（例: 「地面は50%濡れています」）。ファジー論理は、事象そのものの定義における曖昧さをモデル化します。

実装方法#

実際の物体検出ワークフローでは、ファジー論理は後処理中に適用されることがよくあります。開発者は、モデルの信頼度スコアを言語カテゴリに対応付けることで、高度なフィルタリングルールを作成できます。

次のPythonの例では、Ultralytics YOLO26の推論結果にファジー論理に似たカテゴリ分類を適用する方法を示します。

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)}")

関連する概念#

• エキスパートシステム: 人間の意思決定を模倣した初期のAIプログラムで、情報処理にファジールールを大きく依存していました。
• ニューロ・ファジーシステム: ディープラーニング（DL）の学習能力と、ファジー推論の解釈可能性を組み合わせたハイブリッドアーキテクチャです。
• 画像セグメンテーション: 複雑なデータセットで物体の境界を定義する際に、ファジー論理の恩恵を受けることが多いコンピュータービジョンのタスクです。
• Ultralytics Platform: ユーザーがデータセットを管理し、ファジー論理コントローラー向けの明確な入力エンジンとして機能し得るモデルをトレーニングできる最新の環境です。