퍼지 논리
퍼지 논리는 동일한 변수를 사용하여 여러 가지 가능한 진리값을 처리할 수 있는 변수 처리 방법입니다. 퍼지 논리는 정확하지 않은 개방형 데이터와 추론 방법을 사용하여 문제를 해결하고 정확한 결론 범위에 도달하려고 시도합니다.
퍼지 논리는 사용 가능한 모든 정보를 고려하고 입력 내용을 기반으로 최선의 결정을 내려 문제를 해결하는 것을 목표로 합니다.
퍼지 논리의 역사
퍼지 논리는 1965년 로트피 자데가 Information and Control 저널에 발표한 논문에서 처음 제안했습니다..자데는 "퍼지 집합"이라는 제목의 논문에서 정보 처리에 사용되는 데이터 유형을 반영하고 그러한 집합에 대한 기본적인 논리적 규칙을 도출하려고 시도했습니다.
"실제 물리적 세계에서 마주치는 사물의 범주에는 정확하게 정의된 구성원 자격 기준이 없는 경우가 많습니다."라고 Zadeh는 설명했습니다. "하지만 그러한 불분명하게 정의된 '범주'가 인간의 사고, 특히 패턴 인식, 정보 전달, 추상화 분야에서 중요한 역할을 한다는 사실은 여전히 남아 있습니다."
그 이후로 퍼지 논리는 기계 제어 시스템, 이미지 처리, 인공 지능 및 퍼지 해석이 가능한 신호에 의존하는 다른 분야에 성공적으로 적용되었습니다.
퍼지 논리와 의사 결정 트리
가장 기본적인 의미에서 퍼지 논리는 의사결정 트리 유형 분석을 통해 개발됩니다. 따라서 더 넓은 맥락에서 보면 이는 규칙 기반 추론을 기반으로 하는 인공 지능 시스템의 기반을 형성합니다.
일반적으로 "퍼지"라는 용어는 의사결정 트리 시스템에서 활용할 수 있는 시나리오의 수가 많다는 것을 의미합니다. 퍼지 논리 프로토콜을 개발하려면 규칙 기반 프로그래밍을 통합해야 할 수도 있습니다. 이러한 프로그래밍 규칙은 포괄적인 모델을 기반으로 자체적으로 개발되므로 퍼지 집합이라고 불릴 수 있습니다.
퍼지 집합은 더 복잡할 수도 있습니다. 좀 더 복잡한 프로그래밍 비유로, 프로그래머는 변수의 포함과 제외를 결정하는 데 사용되는 규칙을 확장할 수 있는 능력을 가질 수도 있습니다. 이로 인해 덜 정확한 규칙 기반 추론으로 더 다양한 옵션이 제공될 수 있습니다.
인공지능의 퍼지 의미론
퍼지 논리와 퍼지 의미론의 개념은 인공지능 솔루션을 프로그래밍하는 데 있어 핵심적인 구성 요소입니다. 퍼지 논리의 프로그래밍 능력이 계속 확장됨에 따라, AI 솔루션과 도구도 경제 전반에 걸쳐 계속 확장되고 있습니다.
가장 잘 알려진 AI 시스템 중 하나는 퍼지 논리와 퍼지 의미론의 변형을 사용하는 IBM의 왓슨입니다. 특히 금융 서비스 부문에서는 퍼지 논리가 기계 학습 및 기술 시스템에서 투자 정보 출력을 지원하는 데 사용됩니다.
일부 고급 거래 모델에서는 퍼지 논리 수학을 통합하여 분석가가 자동화된 매수 및 매도 신호를 생성하는 데 도움을 줄 수도 있습니다. 이러한 시스템은 투자자가 투자에 영향을 미치는 다양한 시장 변수 변화에 대응하는 데 도움이 됩니다.
퍼지 논리의 장단점
이점
- 퍼지 논리는 고전 논리보다 현실 세계의 문제를 더 잘 반영합니다.
- 퍼지 논리 알고리즘은 기존 부울 논리보다 하드웨어 요구 사항이 낮습니다.
- 퍼지 알고리즘은 부정확하거나 부정확한 데이터로도 정확한 결과를 산출할 수 있습니다.
결점
- 퍼지 알고리즘은 광범위한 검증과 확인이 필요합니다.
- 퍼지 제어 시스템은 인간의 전문성과 지식에 의존합니다.