La mia risposta è tecnicamente più rilevante per gli insiemi fuzzy piuttosto che per la logica fuzzy, ma i due concetti sono praticamente inseparabili. Ho approfondito gli articoli di riviste accademiche sulla logica fuzzy un paio di anni fa per scrivere una serie di tutorial sull'implementazione di set fuzzy in SQL Server . Sebbene difficilmente possa essere considerato un esperto, ho abbastanza familiarità con la letteratura e uso regolarmente le tecniche per risolvere problemi pratici. La forte impressione che ho tratto dalla ricerca pubblicata è che il potenziale pratico degli insiemi fuzzy è ancora inutilizzato, principalmente a causa di un diluvio di ricerche su dozzine di altre famiglie di tecniche che possono risolvere insiemi di domande complementari.
L'affollato mercato delle idee in Data Science / Machine Learning ecc.
Ci sono stati progressi così rapidi in Support Vector Machines, reti neurali, foreste casuali, ecc. Che è impossibile per specialisti, analisti, data scientist, programmatori o consumatori dei loro prodotti tenere il passo con tutto. Nella mia serie di post sul blog parlo a lungo di come lo sviluppo di algoritmi per set fuzzy e logici siano generalmente più di 20 anni avanti rispetto al software disponibile, ma lo stesso si può dire di molti campi correlati; Leggo intensamente su reti neurali e riesco a pensare a decine di architetture neurali che sono state sviluppate decenni fa ma che non sono mai state ampiamente messe in pratica, e tanto meno codificate in software facilmente disponibili. Detto questo, la logica e gli insiemi fuzzy hanno uno strano svantaggio in questo affollato mercato di idee, principalmente a causa del loro moniker, che era controverso quando Lofti A. Zadeh la conia. Il punto delle tecniche fuzzy è semplicemente l'approssimazione di determinate classi di dati con valori discreti su scale continue, ma termini come "logica approssimativa a valore continuo" e "insiemi classificati" non sono esattamente accattivanti. Zadeh ha ammesso di aver usato il termine "fuzzy" in parte perché attirava l'attenzione, ma guardando indietro, potrebbe aver sottilmente raccolto il tipo sbagliato di attenzione.
Come il termine "Fuzz" si ritorce contro
Per uno scienziato di dati, un analista o un programmatore, è un termine che può evocare un'atmosfera di "cool tech"; a coloro che sono interessati all'IA / data mining / ecc. ecc. solo nella misura in cui può risolvere i problemi aziendali, "fuzzy" suona come una seccatura poco pratica. Per un dirigente aziendale, un dottore coinvolto nella ricerca medica o qualsiasi altro consumatore non al corrente, può evocare immagini di animali imbalsamati, spettacoli di poliziotti degli anni '70 o qualcosa del frigo di George Carlin. C'è sempre stata una tensione nell'industria tra i due gruppi, con il secondo che spesso si asteneva dal scrivere codice e svolgere ricerche solo per motivi di curiosità intellettuale piuttosto che di profitto; a meno che il primo gruppo non possa spiegare perché queste tecniche sfocate siano redditizie, la diffidenza del primo impedirà la loro adozione.
Gestione dell'incertezza e la famiglia di applicazioni Fuzzy Set
Il punto delle tecniche di set fuzzy è rimuoverefuzz che è già inerente ai dati, sotto forma di valori discreti imprecisi che possono essere modellati meglio su scale continue approssimate, contrariamente alla diffusa errata percezione che "fuzz" sia qualcosa che aggiungi, come un condimento speciale su una pizza. Tale distinzione può essere semplice ma comprende un'ampia gamma di potenziali applicazioni, che vanno dall'elaborazione del linguaggio naturale alla teoria delle decisioni al controllo di sistemi non lineari. La probabilità non ha assorbito la logica fuzzy come suggerito Cliff AB principalmente perché è solo un piccolo sottoinsieme delle interpretazioni che possono essere associate a valori fuzzy. Le funzioni di appartenenza fuzzy sono abbastanza semplici in quanto classificano quanto un record appartiene a un determinato set assegnando uno o più valori continui, di solito su una scala da 0 a 1 (sebbene per alcune applicazioni I ' ho scoperto che da -1 a 1 può essere più utile). Il significato che assegniamo a quei numeri dipende da noi, perché possono significare tutto ciò che vogliamo, come gradi di credenza bayesiani, fiducia in una particolare decisione, distribuzioni di possibilità, attivazioni di reti neurali, varianza scalata, correlazione, ecc. Ecc., non solo valori PDF, EDF o CDF. Vado molto più in dettaglio nella mia serie di blog e suquesto post CV , in gran parte derivato dal lavoro con la mia risorsa fuzzy preferita, George J. Klir, e Fuzzy Sets di Bo Yuan e Fuzzy Logic: Theory and Applications (1995). Entrano in modo molto più dettagliato su come derivare interi programmi di "Gestione dell'incertezza" da insiemi fuzzy.
Se la logica e gli insiemi fuzzy fossero un prodotto di consumo, potremmo dire che non è ancora uscito a causa della mancanza di marketing e di evangelizzazione del prodotto, oltre a una scelta paradossale di un marchio. Durante la ricerca di questo non ricordo di essermi imbattuto in un singolo articolo di rivista accademica che ha cercato di sfatare una di queste applicazioni in un modo simile al famigerato articolo sui percettroni di Minksy e Papert. Al giorno d'oggi c'è solo molta concorrenza nel mercato delle idee per l'attenzione di sviluppatori, teorici, data scientist e simili per prodotti applicabili a insiemi di problemi simili, che è un effetto collaterale positivo del rapido progresso tecnico. Il rovescio della medaglia è che qui c'è un sacco di frutti a bassa pendenza che non vengono raccolti, specialmente nel regno della modellizzazione dei dati dove sono più applicabili.