Больше информации на сайте brightmagazine.ru
Описание эмоций
Интуиция или «правило тыка» уже не раз выручала не только русского человека. Отчасти это из-за того, что мы можем оперировать трудноформализуемой информацией: слухами, эмоциями, ощущениями. Компьютер на такое не способен, ведь он мыслит в рамках математических моделей, а как, правило при попытке описания многие «гранулы» информации просто опускаются (упрощение). Не было разработано математических методов для работы с такими данными.
Если мы научим компьютеры принимать решения в таких ситуациях (с учетом их возможности быстрого вычисления и работы с большим объемом данных), то они станут нам самыми лучшими помощниками.
Проблема также в том, что есть вещи хорошо понятные обычному человеку и совершенно бесполезные (неинформативные) для компьютера: хорошая погода, низкая температура, большая скорость – это лингвистическая неопределенность. Опыт, который, как известно, не пропить, очень помогает обычному человеку.
Нечеткие множества
Решением же для компьютера служит математический подход – нечеткие множества – множества, не обладающие четкими границами. Например, мы формируем такое понятие «Хорошая погода». У нас есть множества всех возможных температур (от 0 до 35 градусов, не на Марсе же живем ). И числа – указывающие на степень принадлежности к «Хорошая погода» Возможные значения: 0 1 …. 20 … 34 35. Значения функции принадлежности: 0 0,1 …. 1 … 0,1 0. Таким образом, теперь и ежу и компьютеру будет понятно, что 22 градуса тепла – это лучше, чем 3. И машина, как и мы с вами точно понимает, что в 35 градусов нужно намазаться кремом и взять очки.
Создатель
Данный подход был разработан Лотфи Заде, американским математиком и логиком. Его теория в настоящее время переживает второе рождение (первое было еще в 80-х), а затем всеобщее разочарование, т.к. модель с нечеткими данными очень сильно усложнялась и при этом огромное количество дополнительных данных непонятно было как анализировать. Теперь же у нас есть компьютеры.
Примеры
Можно, например, сказать, что «молодость» связана с возрастом, и, следовательно, ее можно четко отразить числами. На самом деле четкость здесь ничего хорошего не дает: если установить некий формальный возрастной интервал (скажем, от 16 до 30 лет) и оставаться в рамках классической двоичной логики, допускающей только «да» или «нет», то результат будет порой противоречить логике человеческой: если ваш возраст равен «30 лет + 1 день», то вы сразу выпадаете из категории «молодой». Обидно, да?
По теории, предложенной Лотфи Заде, в возрасте от 0 до 16 лет принадлежность человека к категории «молодой» растет постепенно. Возьмем всем возрастам от 16 до 35 лет присвоим значение принадлежности 1, а в возрасте от 0 до 16 лет принадлежность человека к категории «молодой» будет расти постепенно. Также постепенно будет и убывать в возрасте от 35 до 45 лет. Получилась не ступенчатая, а как бы размытая градация, которая ближе к человеческой логике. «Нечеткая» логика, построенная подобным образом, позволяет микропроцессору оперировать промежуточными понятиями: например, не просто «молодой» и «старый», а еще и «помоложе», «постарше» и «очень молодой». Благодаря этому компьютер может гибко реагировать на меняющиеся параметры среды и принимать решения из широкого набора вариантов, заложенных в его память.
Альтернатива
Необходимо также отметить, что Нечеткие множества – не единственный педагогический метод обучения роботов интуиции. Существует альтернативный подход – Теория вероятностей. Но во многих неопределенных ситуациях данная теория никак не помогает. Это как в истории с девушкой, которую спрашивают, какова вероятность, что она встретит динозавра. Она отвечает, что 50 на 50 (1/2)или встречу или нет. Разумеется, это не верно.
Рассмотрим на простом жизненном примере. Нужно объяснить компьютеру, что такое «Питьевая вода». Возьмем воду из городской реки. Присвоим ей значение принадлежности 0,6: животные ее пьют, а человеку не рекомендуется.
Теперь рассмотрим вероятностные методы. Возьмем соляную кислоту и наполним ею 4 пробирки, а другие 6 наполним питьевой водой. Тогда согласно, классического определения вероятности – возможность, что нам попадется питьевая вода в наугад выбранной пробирке равна 0,6.
И там 0,6 и тут 0,6. Числа одинаковые. И если объяснять это программе на языке теории вероятности, то она может посоветовать вам рискнуть жизнью.
Применение
Таким образом можно обучить компьютер понимать такие словосочетания, как «низкая стоимость бензина», «высокая скорость доставки», «короткий путь». Благодаря этому, микропроцессор позволяет получить кирпичному заводу «Дешевый кирпич». В этом случае создается специальная модель, которую я применяю и в других процессах предприятий, например в инвестировании.
Теорию нечетких множеств часто используют в промышленности и в области финансовых операций. Созданы лаборатории, которые занимаются этим вопросом и туда регулярно отправляют сотрудников таких компаний как Bosh, Honda, Audi, Volkswagen, Nissan. Также она применяется и при производстве товаров массового потребления: видеокамеры, уменьшающие степень помех, стиральные машины, имеющая имеющие только одну кнопку, автоматические коробки передач и многое другое. В России нечеткие множества применяется в Теории управления и в оптимальном инвестировании.
Апокалипсис отменяется
Ну и напоследок, хочется успокоить людей которые боятся, что если мы научим компьютер всем человеческим премудростям, например интуиции, то они переметнется на сторону зла и устроят нам машинный апокалипсис, создав мир, в котором человеку просто не останется места.
Теория нечетких множеств лишь обнажила совершенство человеческого мозга, и в настоящее время существует огромный пласт задач теории нечетких множеств, которые ждут своего решения человеческим мозгом, т.к. теперь интерпретация полученных данных принимает особую ценность, отдавая все почести свойству человеческого интеллекта.
Больше информации на сайте brightmagazine.ru
