퍼지 논리가 불확실성 하에서 인간과 유사한 추론으로 AI를 향상시켜 자율 주행 차량에서 의료 진단에 이르기까지 애플리케이션에 어떻게 전력을 공급하는지 알아보세요.
퍼지 로직은 불확실성과 부정확성을 처리하도록 설계된 계산 패러다임으로, 인간의 미묘한 추론 방식을 모방하여 모방한 계산 방식입니다. 이진 "참 또는 거짓"(1 또는 0) 값에 의존하는 기존 컴퓨팅과 달리, 퍼지 논리는 "진실의 정도"를 수용합니다. 이 접근 방식을 사용하면 변수가 절대적인 확실성과 완전한 부정 사이의 상태로 절대적 확실성과 완전한 부정 사이의 상태로 변수가 존재할 수 있어 다음과 같은 경우에 강력한 도구가 됩니다. 인공 지능(AI) 시스템 에 강력한 도구가 될 수 있습니다. 원래 수학자 1960년대 수학자 로피 자데에 의해 처음 소개된 이 개념은 산업 제어 시스템부터 고급 컴퓨터 비전까지 다양한 분야에서 컴퓨터 비전.
퍼지 논리의 핵심 강점은 '뜨겁다', '빠르다', '밝다'와 같은 모호한 개념을 수학적으로 처리하는 능력에 있습니다. "빠른" 또는 "밝은"과 같은 모호한 개념을 수학적으로 처리하는 능력에 있습니다. 이 프로세스에는 일반적으로 다음과 같은 세 가지 주요 단계가 포함됩니다. 선명한 데이터를 실행 가능한 의사 결정으로 전환합니다:
머신러닝(ML) 과 딥러닝(DL)은 방대한 데이터 세트에서 패턴을 학습하는 데 중점을 두지만 퍼지 로직은 인간의 전문 지식을 시스템에 직접 포함시키는 데 탁월합니다. 퍼지 논리는 주로 다음 분야에서 사용됩니다. "뉴로 퍼지" 시스템, 신경망의 적응성과 신경망의 적응성과 퍼지 규칙의 해석 가능성 규칙의 해석 가능성을 결합한 "신경 퍼지" 시스템에 자주 사용됩니다.
비전 AI 영역에서 퍼지 로직은 다음과 같은 작업에서 노이즈와 불확실성을 관리하는 데 도움이 됩니다. 가장자리 감지 및 이미지 분할과 같은 작업에 도움이 됩니다. 퍼지 로직을 통해 모델은 시각적 경계가 불분명하거나 조명 조건이 좋지 않은 상황에서도 시각적 경계가 불분명하거나 조명 조건이 좋지 않은 경우에도 강력한 의사 결정을 내릴 수 있으며, 통계적 임계값 기법을 보완합니다.
퍼지 논리는 정확한 수학적 모델을 정의하기 어려운 기술 분야에서 널리 사용되고 있습니다:
퍼지 논리를 다른 수학 및 AI 개념과 구별하는 것이 중요합니다:
동안 Ultralytics YOLO 모델은 딥 러닝에 의존하지만, 퍼지 해석의 개념을 퍼지 해석 개념을 후처리 모델 출력에 적용할 수 있습니다. 예를 들어, 개발자는 객체 감지를 위해 하드 바이너리 임계값을 설정하는 대신, 개발자는 다음과 같이 신뢰도 점수를 언어적 용어(낮음, 낮음, 중간, 높음)으로 분류하여 다운스트림 애플리케이션에서 보다 미묘한 결정을 내릴 수 있습니다.
from ultralytics import YOLO
# Load the official YOLO11 model
model = YOLO("yolo11n.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Get the confidence score of the first detection
conf = results[0].boxes.conf[0].item()
# Apply fuzzy-like logic to categorize the confidence level
def fuzzy_classify(score):
return "High" if score > 0.8 else "Medium" if score > 0.5 else "Low"
print(f"Detection Confidence: {conf:.2f} ({fuzzy_classify(conf)})")
이론적 토대에 대한 더 자세한 내용은 스탠포드 철학 백과사전은 훌륭한 리소스를 제공하며, IEEE 컴퓨터 지능 학회에서는 퍼지 시스템에 대한 최신 연구 퍼지 시스템에 대한 최신 연구를 제공합니다.
.webp)
