Qu'est-ce que la logique floue ?
La logique floue (fuzzy logic) est une approche informatique basée sur des degrés de vérité plutôt que sur la logique booléenne habituelle (vrai ou faux, 1 ou 0) sur laquelle repose l'ordinateur moderne.
L'idée de la logique floue a été avancée pour la première fois par Lotfi Zadeh, de l'université de Californie à Berkeley, dans les années 1960. Zadeh travaillait sur le problème de la compréhension du langage naturel par les ordinateurs. Comme la plupart des autres activités de la vie et, en fait, de l'univers, le langage naturel ne se traduit pas facilement en termes absolus de 0 et 1. La question de savoir si tout peut finalement être décrit en termes binaires est une question philosophique qui mérite d'être approfondie, mais dans la pratique, la plupart des données que nous souhaitons entrer dans un ordinateur se trouvent dans un état intermédiaire, tout comme les résultats des calculs. Il peut être utile de considérer la logique floue comme le mode de fonctionnement réel du raisonnement et la logique binaire, ou booléenne, comme un cas particulier de celle-ci.
Comment fonctionne la logique floue ?
L'objectif de la logique floue est d'optimiser le traitement des données imprécises ou incertaines, en reflétant la manière dont les humains résolvent les problèmes. Cela nécessite de modifier les processus mathématiques traditionnels afin d'obtenir des résultats significatifs lorsque les données sont souvent floues. Voici les étapes générales de ce processus :
- Fuzzification. Cela consiste à s'éloigner des valeurs discrètes et à les remplacer par des plages souples pour les valeurs ; on parle parfois de fonction d'appartenance. Par exemple, si la température d'un jacuzzi est de 98 degrés, cette valeur pourrait être fuzzifiée en 0,8 tiède et 0,2 chaud. Notez les expressions « tiède » et « chaud », plus faciles à comprendre pour l'être humain que pour une machine.
- Évaluation des règles. Écrivez des règles « si-alors » qui définissent le problème, mais appliquez-les aux valeurs floues. Par exemple, si la température ambiante est élevée, augmentez la vitesse du ventilateur.
- Combinez les résultats. Regroupez les résultats de toutes les règles activées par les règles floues en un seul ensemble. Dans l'exemple précédent de contrôle du ventilateur, par exemple, définissez différentes vitesses de ventilateur pour différents niveaux de vérité.
- Défuzzification. Les résultats flous sont reconvertis en résultats nets, ou non flous. Cela s'effectue généralement à l'aide de processus mathématiques standards, tels que la moyenne des maxima, qui calcule la moyenne des valeurs maximales.
- Appliquez les résultats. Par exemple, transmettez à un appareil une nouvelle instruction afin qu'il s'adapte aux nouvelles données floues, conformément à l'ensemble de règles.
Logique floue en IA
Dans les systèmes d'IA, la logique floue est utilisée pour imiter le raisonnement et la cognition humains. Plutôt que des cas strictement binaires de vérité, la logique floue inclut 0 et 1 comme cas extrêmes de vérité, mais avec divers degrés intermédiaires de vérité.
Par conséquent, la logique floue est particulièrement adaptée aux domaines suivants :
- Ingénierie pour la prise de décisions sans certitudes ni incertitudes claires, ou avec des données imprécises, comme dans le cas des technologies de traitement du langage naturel (NLP).
- Régulation et contrôle des sorties des machines, en fonction de multiples entrées et variables d'entrée, comme dans le cas des systèmes de contrôle de la température.
Le superordinateur IBM Watson est l'un des exemples les plus marquants de l'utilisation des variations de la logique floue et de la sémantique floue.
Avec la prolifération de l'IA, une nouvelle catégorie de systèmes fait son apparition : les systèmes d'inférence neuro-flous adaptatifs (ANFIS). Ceux-ci fonctionnent comme un système flou classique, mais au lieu de règles logiques statiques, ils utilisent l'apprentissage automatique pour ajuster les règles et les fonctions d'appartenance afin d'assurer une optimisation permanente. Jusqu'à présent, les ANFIS ont fait leur apparition dans les prévisions boursières, les diagnostics médicaux, la navigation autonome des véhicules et les prévisions de la demande énergétique.
Déjà omniprésents, les systèmes de NLP ont commencé à intégrer la logique floue afin de faciliter l'interprétation du langage vague ou subjectif dans l'analyse des sentiments et le langage utilisé dans les documents juridiques, et d'améliorer la précision des chatbots et des assistants numériques.
La logique floue est également utilisée dans les arbres décisionnels et les systèmes de classification basés sur des règles, dans la détection des fraudes, l'évaluation des risques de crédit et l'analyse du comportement des consommateurs.
Exemples d'applications de la logique floue
Les systèmes et technologies d'IA utilisent la logique floue pour prendre en charge divers éléments, notamment les systèmes de contrôle, les performances des appareils et des logiciels, ainsi que l'aide à la décision.
Systèmes de contrôle
- Dans les systèmes de contrôle environnemental, tels que les climatiseurs et les appareils de chauffage, la logique floue détermine la puissance en fonction de facteurs tels que la température actuelle et la température cible.
- Dans les applications destinées aux usines et aux centres de distribution, le contrôle par logique floue permet d'optimiser les performances des machines et des processus, depuis la planification de l'activité des machines jusqu'à la prévision des pannes.
Performances des appareils et des logiciels
- Dans les automobiles, la logique floue est utilisée pour la sélection des vitesses et se base sur des facteurs tels que la charge du moteur, les conditions routières et le style de conduite.
- Dans les lave-vaisselle, la logique floue est utilisée pour déterminer la stratégie de lavage et la puissance nécessaire, en fonction de facteurs tels que le nombre de plats et le niveau de résidus alimentaires sur ceux-ci.
- Dans les photocopieurs, la logique floue est utilisée pour régler la tension du tambour en fonction de facteurs tels que l'humidité, la densité de l'image et la température.
- Dans le domaine aérospatial, la logique floue est utilisée pour gérer le contrôle de l'altitude des satellites et des engins spatiaux en fonction de facteurs environnementaux.
- Dans la distillation chimique, la logique floue est utilisée pour contrôler les variables de pH et de température.
- En NLP, la logique floue est utilisée pour déterminer les relations sémantiques entre les concepts représentés par des mots et d'autres variables linguistiques.
Aide à la décision
- Dans un moteur de règles métier, la logique floue peut être utilisée pour rationaliser la prise de décision selon des critères prédéterminés.
- En médecine, la logique floue est utilisée pour les diagnostics assistés par ordinateur, sur la base de facteurs tels que les symptômes et les antécédents médicaux.
Avantages et inconvénients des systèmes à logique floue
La logique floue est un puissant outil de résolution de problèmes, qui offre une vaste gamme d'options dans une multitude de domaines où les solutions précédentes étaient loin d'être aussi élégantes et précises. Elle présente les avantages suivants par rapport aux méthodes plus conventionnelles :
Avantages de la logique floue
- Entrées subjectives, résultats subjectifs. Parce que la logique floue fonctionne comme les êtres humains, en traitant des degrés de vérité plutôt que des valeurs binaires, elle est souvent un excellent outil de modélisation pour obtenir des réponses subjectives, ou qui plaisent à tout le monde, à des problèmes tels que les contrôles environnementaux.
- Haute tolérance aux pannes. Les systèmes à logique floue s'adaptent aux entrées imprécises, ce qui réduit l'importance du bruit dans les données.
- Très flexible. Les règles logiques et les fonctions d'appartenance sont facilement ajustables dans la plupart des applications.
- Applicabilité. La logique floue permet de résoudre un large éventail de problèmes dans divers appareils, notamment les appareils électroniques grand public, les diagnostics médicaux et les applications industrielles.
Inconvénients de la logique floue
- Les systèmes à logique floue ne peuvent pas apprendre. À l'ère nouvelle où les systèmes d'IA peuvent apprendre et s'améliorer en permanence, il est important de comprendre que les systèmes à logique floue, de par leur nature même, en sont incapables. La seule exception concerne les systèmes hybrides personnalisés capables de générer des règles révisées au fil du temps, sur la base de données externes, et d'évaluer les performances du système, comme décrit ci-dessus.
- Coût. Les systèmes de logique floue, très gourmands en ressources informatiques, peuvent consommer des ressources considérables, en particulier lorsqu'ils sont intégrés à d'autres systèmes.
- Difficulté dans les applications dynamiques. Dans un système en temps réel où les conditions changent rapidement et de manière significative, les systèmes de logique floue peuvent s'avérer inefficaces.
La programmation déclarative s'appuie sur la logique et les règles pour exécuter une action. Découvrez son fonctionnement, ses avantages et les différents types de programmation déclarative.
