Logique floue expliquée : comment l'IA gère l'incertitude

La logique floue peut ne pas sembler le moyen le plus fiable d'implémenter un système de contrôle complexe. Cependant, la capacité des systèmes de logique floue à travailler avec des données imprécises et à implémenter l'expérience des experts en fait un outil puissant dans les applications de contrôle modernes.

Vue d'ensemble de la logique floue

La logique floue, une subdivision de l'IA (intelligence artificielle) développée par Lofti Zada en 1965, permet à un système informatique d'imiter la façon dont les humains interprètent et interagissent avec les données. Alors que la logique booléenne est limitée à deux résultats (Vrai ou Faux, 0 ou 1), la logique floue traite des degrés de vérité.

Considérez, comme exemple, un système de vision machine permettant à un système robotique autonome de naviguer dans un entrepôt animé. Nous verrions une porte à notre droite s'ouvrir rapidement et saurions qu'un obstacle est probablement sur le point d'apparaître. Mais la logique booléenne ne traite pas en « probablement » — elle traite en « un obstacle est sur le point d'apparaître » et « un obstacle n'est pas sur le point d'apparaître ».

Avec la logique floue, une entrée telle que la vitesse à laquelle la porte s'est ouverte (c.-à-d., très lent, lent, moyen, rapide, très rapide), où la porte est située, et l'heure de la journée peut être transformée en la probabilité qu'un obstacle est sur le point d'apparaître (par ex., 0,8).

Les bases de la logique floue

Dans un système de logique floue, il y a trois types de valeurs différents :

• Valeurs d'entrée, qui sont sous forme de valeurs numériques nettes (par ex., T = 120°C)
• Valeurs floues, qui représentent la probabilité qu'une valeur nette tombe dans un ensemble de catégories représentées linguistiquement (par ex., Bas = 0,2, Normal = 0,8, Haut = 0,0)
• Valeurs de sortie, qui sont défloutées et nettes (Priorité = 0,7)

Il y a quatre parties à un système de logique floue :

1. Module de floutage
2. Base de connaissances
3. Moteur d'inférence
4. Module de défloutage

Le module de floutage reçoit les entrées du système sous forme de valeurs numériques nettes (par opposition aux valeurs floues). La valeur d'entrée nette est divisée en un ensemble de catégories généralement représentées par des valeurs linguistiques (par ex., froid, tiède, chaud).

La valeur floue pour chaque catégorie est la probabilité que la valeur nette tombe dedans. Les valeurs floues peuvent aussi être pensées comme un « degré de vérité » : une voiture roulant à 95 mph pourrait être « roulant vite avec un degré de vérité de 0,75 ». Le processus de floutage réel est accompli par un ensemble de fonctions d'appartenance, les plus courantes étant triangulaire, trapézoïdale, gaussienne ou sigmoïde.

La base de connaissances contient un ensemble de règles si-alors basées sur le raisonnement humain et informées par un expert du domaine. Voici un exemple de ce à quoi cela peut ressembler :

• SI Temp est Haute ET Vitesse est Basse ALORS Niveau_Alerte = Modéré
• SI Temp est Haute ET Vitesse est Très_Haute ALORS Niveau_Alerte = Bas
• SI Vitesse est Basse ET Temp est Haute OU Accél est ÉLEVÉ ALORS Niveau_Alerte = Haut

Le moteur d'inférence utilise les règles de la base de connaissances sur les valeurs floues d'une manière similaire à comment un expert en la matière le ferait. Le résultat est une autre valeur floue et dans ce cas.

Finalement, le module de défloutage convertit la sortie du moteur d'inférence en une valeur nette, un peu comme l'inverse du module de floutage. Dans cet exemple, le niveau d'alerte pourrait sortir à 0,8, ce qui aide les techniciens à prioriser les tâches de maintenance préventive.

Comment la logique floue est utilisée

La logique floue est largement utilisée, et beaucoup de gens bénéficient de ses capacités sans le réaliser. Le traitement du langage naturel, où les commandes vocales sont utilisées pour interagir avec des objets, est un domaine où la logique floue est appliquée. Dans le traitement du langage naturel, il y a un niveau d'incertitude quant à ce qu'un individu dit. Pourtant, la logique floue peut traiter de telles données bruitées ou imprécises pour interpréter ce qui est dit avec un haut degré de précision.

Les ingénieurs utilisent la logique floue comme partie de leur système de support à la décision, et on peut la trouver intégrée dans le marketing et la publicité. De plus, les systèmes de logique floue peuvent être combinés avec des réseaux de neurones comme partie des systèmes de vision machine pour identifier et éventuellement différencier entre terres agricoles, zones urbaines, forêts et eau dans l'imagerie satellite.

Un domaine où la logique floue a trouvé des applications extensives, cependant, est les systèmes de contrôle.

Logique floue et systèmes de contrôle

Dans les automobiles, il peut y avoir un système de logique floue qui contrôle le système de freinage. Les véhicules autonomes dépendent fortement du contrôle par logique floue (CLF) pour des systèmes tels que la vitesse, la direction et le régulateur de vitesse adaptatif. Et même les automobiles non autonomes utiliseront probablement le CLF pour le système de freinage. Les systèmes de climatisation, aussi, dépendent souvent de la logique floue comme partie des thermostats intelligents pour maintenir les températures des pièces et la vitesse des ventilateurs à des niveaux confortables tout en optimisant la consommation d'énergie.

Cependant, ce ne sont que deux exemples de son utilisation. Le CLF peut être trouvé dans des industries très diverses, y compris l'automatisation industrielle, la fabrication biomédicale, le traitement pétrochimique, la fabrication automobile et l'énergie nucléaire.

Pompes, moteurs, ventilateurs et entraînements peuvent être contrôlés en utilisant la logique floue, recevant des données d'un réseau de capteurs en entrée. Un contrôle de mouvement extrêmement précis peut être atteint en utilisant des CLF, d'où son utilisation dans les systèmes d'usinage à commande numérique (CNC). Sa capacité à contrôler efficacement les températures est évidente par son utilisation dans les fours et fours de traitement thermique qui dépendent de cycles de température très précis. Le CLF peut également superviser des interactions de systèmes extrêmement complexes, telles que celles vues dans la robotique d'essaim.

Le CLF est également inestimable dans les systèmes qui dépendent de la vision machine et a rendu possibles et efficaces de nombreuses avancées dans l'automatisation industrielle, l'IIoT et l'Industrie 4.0.

Les systèmes de contrôle traditionnels dépendent de données très précises et de règles qui peuvent ne pas être en mesure de prendre en compte l'expérience des opérateurs et experts. D'autre part, la logique floue est idéale pour les applications où les données sont bruitées, imprécises ou partiellement manquantes. Sa base de connaissances peut tirer parti de l'insight et de l'expérience de personnes réelles pour simuler leur processus de prise de décision.