Concetti Chiave
- La logica fuzzy modella l'incertezza attribuendo un grado di verità alle proposizioni, utile per i sistemi esperti.
- I sistemi esperti operano in due fasi: addestramento delle regole da parte di un esperto e valutazione degli output in base a tali regole.
- Questi sistemi permettono di esprimere conoscenze tecniche in modo sfumato, evitando rigidità eccessive nella quantificazione.
- Le regole aziendali non scritte formano la base della conoscenza, rappresentando l'esperienza pratica acquisita nel tempo.
- Le sfide principali includono l'individuazione completa delle regole e la creazione di basi di conoscenza precise, con soluzioni come i sistemi neuro-fuzzy che combinano logica fuzzy e reti neurali.
E’ una teoria matematica che si occupa di modellare l’incertezza. E’ una estensione della logica classica. Ad essa si può attribuire a ciascuna proposizione un grado di verità compreso tra 0 e 1 e si adatta particolarmente alla creazione di Sistemi Esperti, applicazioni software in grado di rispondere come risponderebbe un esperto umano.
Come funziona un sistema esperto?
Il funzionamento è il seguente:
Fase 1: l’addestramento, l’esperto umano inserisce le regole e definisce la base di regole
Fase 2: il sistema riceve un input e stima un output sulla base delle regole inserite durante l’addestramento
Un software che ragiona con la logica dell’uomo, ovvero in modo sfumato e non rigidamente in modo binario;
Permettono di codificare la conoscenza tecnica senza necessariamente quantificare con estrema precisione gli intervalli di applicabilità delle regole.
Permettono di individuare le regole utilizzando linguaggio comune piuttosto che intervalli numerici.
La base della conoscenza sono regole aziendali non scritte che rappresentano l’esperienza acquisita in azienda
Possibilità di un confronto attraverso la definizione delle regole
Assicurano una maggiore robustezza nella realtà: definendo opportunamente gli insiemi si ottiene un'ottima tolleranza alle piccole variazioni dei parametri tipicamente osservate nella realtà.
I passaggi da una regola e l’altra sono “morbidi”, “sfumati
Sfide e soluzioni nei sistemi esperti
Difficoltà nell’individuare tutte le regole
Rischio di creare una base della conoscenza imprecisa e soprattutto incompleta
Lunghi tempi per la definizione della base della conoscenza
Una possibile soluzione: sistemi neuro-fuzzy: addestrare un sistema esperto fuzzy tramite una rete neurale.
Domande da interrogazione
- Qual è il principio fondamentale della teoria matematica che si occupa di modellare l'incertezza?
- Qual è il ruolo della logica fuzzy nei sistemi esperti?
- Come funziona un sistema esperto nella pratica?
- Quali sono le fasi principali del funzionamento di un sistema esperto?
- Quali sono le principali sfide nella creazione di sistemi esperti e come possono essere affrontate?
La teoria matematica in questione estende la logica classica attribuendo a ciascuna proposizione un grado di verità compreso tra 0 e 1, rendendola particolarmente adatta per la creazione di Sistemi Esperti.
La logica fuzzy estende la logica classica permettendo di attribuire a ciascuna proposizione un grado di verità tra 0 e 1, adattandosi particolarmente alla creazione di sistemi esperti che rispondono come un esperto umano.
Un sistema esperto opera in due fasi: nella prima fase, un esperto umano inserisce le regole; nella seconda fase, il sistema riceve un input e stima un output basato sulle regole definite, permettendo un ragionamento sfumato simile a quello umano.
Un sistema esperto funziona attraverso due fasi principali: l'addestramento, dove un esperto umano inserisce le regole, e l'elaborazione, dove il sistema stima un output basato sulle regole apprese.
Le sfide includono la difficoltà nell'individuare tutte le regole e il rischio di una base di conoscenza imprecisa. Una soluzione proposta è l'uso di sistemi neuro-fuzzy, che combinano l'approccio fuzzy con le reti neurali per migliorare l'addestramento del sistema esperto.
Accedi a tutti gli appunti
Tutor AI: studia meglio e in meno tempo
