Comments
По сути вопрос прост: каким видется практическое применение данных выкладок, и как такой вариант может работать с современными дискретными или аналоговыми решениями.
Когда-то подобные блоки вставляли в контроллеры и вполне уважаемые производители убеждали всех в том, что за этим будующее. Будующее наступило. А господству дискретных систем пока никто и ничего противопоставить не может. Как же так? И что с этим можно (и нужно ли) делаать?
Первое, что приходит на ум, это прикладная лингвистика и распознавание образов. Судя по количеству работ по теме, эти два направления довольно мейнстримные. Также довольно часто упоминают "задачи управления", по типу автоматизации заводов, управления поездом и тд.
По поводу господства дискретных контроллеров ничего сказать не могу. Самому кажется, что применение НМ оправдано пока лишь на программном уровне.
Что должно быть на входе с нечеткой логикой? Какими средствами будет выполняться (и требуется ли) нормализация сигналов по входам? Как быть с блоками нечеткой логики. Ведь наверняка одной-двух жестко заданных операций окажется мало и будет ли с этого выхлоп, больший чем с DSP обработки (а то и прогонке через нейросети)?
Идея сама по себе довольно интересная, но прикладная реализация неочевидна. Тем более, что попытки уже были. И, думаеся мне, закончились ровно на тех вопросах которые я озвучил. Впрочем, вариант «жестких блоков», заточенных под распознавание образов или текстов — это может быть крайне интересно. Но мат аппарат… Не факт, что это получится лучше (дешевле?) какой-нить специально обученной нейросети.
Пока приятен тот факт, что сама идея нечеткой логики не погибает. А раз так, то есть шансы на ее реинкарнацию. В контроллерах ли, или ПК/серверах уже не столь и важно. Спасибо за ответ.
На входе могут быть данные любых величин, они на этапе фаззификации нормализуются.
Гораздо интереснее в нечёткой логике то, что можно делать ИИ для игр, даём каждому персонажу на вход набор каких-то игровых данных, а потом пишем логику
ЕСЛИ врагов_вокруг ЕСТЬ мало ТО дерёмся
ИНАЧЕ убегаем
а другому юниту пишем логику
ЕСЛИ врагов_вокруг ЕСТЬ мало ИЛИ друзей_рядом ЕСТЬ много ТО дерёмся
ИНАЧЕ убегаем.
Неплохая такая альтернатива графу поведений.
Больше в своей практике не нашёл применений этому инструменту.
Детерминированные вычисления — нечёткие вычисления — вероятностные вычисления
Таково положение нечёткой логики, т. е. она что-то знает (вероятность не используется), но это не точно (аналитических формул не составить). Поэтому она пригодна только тому, кто готов считать вручную и всецело доверяет экспертам. Иными словами, от экспертов для экспертов, которым это не нужно, ибо они сами эксперты. А поскольку люди ленивы, а эксперты некомпетентны, применяется либо полностью вероятности, которые автоматизированы (привет от нейросетей), либо нормальные формулы (привет от алгоритмов). Вот и не находится место для нечётких вычислений.
применяется либо полностью вероятности, которые автоматизированы (привет от нейросетей),
Это такие же экспертные оценки, только вместо эксперта нейросеть.
Кроме того, нейросети работают с уже имеющимися фактами. А вот эксперты предсказывают вероятность на основе своего опыта.
Всё не так.
Только я могу взять любую (аналогичную) нейросеть и получить точно такой же результат.
Нейросети, обученные на немного разных данных, или с разными векторами инициализации, или имеющие разную структуру, могут давать различающиеся результаты.
А в нечётких вычислениях разные эксперты дают разные результаты, невоспроизводимые и непредсказуемые.
Эксперты могут давать одинаковые ответы, особенно если они компетентны и вопрос имеет однозначный ответ.
Кроме того, нейросети работают с уже имеющимися фактами. А вот эксперты предсказывают вероятность на основе своего опыта.
Нейросети имеют некоторую способность к обобщению, их "опыт" — это весовые коэффициенты, вычисленные во время обучения.
В данном случае разницы между нейронной сетью и экспертом вообще нет. Здесь можно подставить любой "чёрный ящик".
Нейросети, обученные на немного разных данных, или с разными векторами инициализации, или имеющие разную структуру, могут давать различающиеся результаты.
Вы не поняли. Если мы возьмём две одинаковы нейросети и обучим их по одинаковым алгоритмам, то получим одинаковые результаты. Если во время обучения с учителем мы случайно где-то ошибёмся (нашумим), то различие в результатах будет статистически незначимым. Поэтому мы можем прочитать статью и повторить её у себя дома на компьютере.
Если мы возьмём двух одинаковых экспертов с одинаковыми послужными списками, возрастом и т. д., то их экспертные оценки будут ощутимо различаться в контексте нечётких вычислений и давать разные результаты.
Эксперты могут давать одинаковые ответы, особенно если они компетентны и вопрос имеет однозначный ответ.
А могут и не давать. А как это проверить? А никак, если только не нанять других экспертов.
их «опыт» — это весовые коэффициенты, вычисленные во время обучения.
А опыт экспертов — это непонятно что, вычисленное непонятно когда, непонятно из каких исходных данных. Да, вы можете доказать, что именно ваши эксперты имеют именно определённый опыт и «правильные» оценки, только это уже будет статистический подход, а не нечёткий. Почему? Потому что можно будет заменить экспертов на формулу из статистики.
В данном случае разницы между нейронной сетью и экспертом вообще нет.
В каком случае?
Нет, разница есть, минимум в вычислительной природе. Если бы разницы не было, то не было бы и нечётких вычислений, просто появился бы новый класс нейронных сетей. Ой, подождите, уже появился, и это совершенно другое понятие.
Если мы возьмём две одинаковы нейросети и обучим их по одинаковым алгоритмам, то получим одинаковые результаты
Если мы возьмём двух одинаковых экспертов с одинаковыми послужными списками, возрастом и т. д., то их экспертные оценки будут ощутимо различаться в контексте нечётких вычислений и давать разные результаты.
Для чистоты эксперимента возьмите двух одинаковых экспертов, при этом одинаково обученных. Это эквивалент одинаковым нейросетям. Внезапно, процент одинаковых ответов будет высоким. Независимо от правильности.
Конечно, это естественно, что одинаково обученные нейросети выдают одинаковые результаты, а различно обученные эксперты — различные результаты. Результат-то от обучения и от опыта зависит.
Нет, разница есть, минимум в вычислительной природе.
Мы задаём вопрос и получаем ответ. Каким образом он получен — не важно, важен только ответ. Это, фактически, "чёрный ящик", в обоих случаях. По поводу того, чего мы не знаем, мы консультируемся с "экспертом".
Или вы намекаете, что отличие в том, что двух одинаковых людей не найти? Но ведь по конкретному вопросу разные люди могут иметь одинаковое мнение.
Вот, что я утверждаю:
(1) |f1(x) - f2(x)| > e
(2) |g1(x) - g2(x)| < e
(3) |f(x) - g(x)| >> e, где x — исходные данные, e — неточность.
Да, вы можете представить экспертов как чёрный ящик h(x). Но тогда
h(x) = rand().Кроме того, точность такого чёрного ящика слишком плохая.
Кроме того, как регулировать чёрный ящик?
Кроме того, этому чёрному ящику нужно ещё и заплатить за работу.
Иными словами, нечёткая логика — плохой чёрный ящик, а нейросети и аналитические формулы — хороший, поэтому их и используют.
К вам на работе подходит начальник и сообщает, что лишает вас новогодней премии. Он объясняет это тем, что фирма наняла эксперта (в вашей области), который сказал, что вы очень плохо работаете.
У вас сразу возникнут вопросы. Что за эксперт? Откуда он такой? На основе каких данных он так решил? На основе каких умозаключений он так решил? Почему начальник ему (рандомному челу) доверяет больше, чем вам (многолетнему сотруднику)? Да и, собственно, шо за редиска с горы ваши деньги забирает.
Другой начальник объясняет это тем, что вы не выполняете KPI. Что за KPI — прописано в контракте. Почему не выполняю — заданы нормы. Откуда нормы — статистические данные за прошлый квартал коллег в этой области в фирме. Тут уже и не поспоришь, в суд не подашь и т. д.
Возвращаясь к нейросетям:
Почему вы думаете, что данные для обучения нейронной сети всегда объективны (что бы это ни значило), а данные для нечёткой системы — всегда случайные?
Данные для обучения — это статистические данные, это формулы. И ошибки появляются только из-за неправильной методики сбора этих данных. Очевидно, что даже пьяный Петрович не сможет каждый день в течение года специально или случайно подменять показания, например, счётчика. Мы исключаем человеческий фактор, остаётся сухая математика.
Эксперты — это люди. Здесь человеческий фактор очень решает. Кроме того, центральная предельная теорема тут не работает, поэтому количество переходит только в накопление ошибки.
странно будет учить нейросеть распознавать машины на примерах одного лишь Логана, как и странно будет строить функции принадлежности (хотя иного выхода порой нету) на основе данных одного эксперта.
Так почему же компании вместо 10 000 экспертов используют 10 000 фотографий? Это ведь так очевидно, просто наймите недостающих экспертов, да?
Для чего нужна нечёткая логика, для случаев когда слишком сложно обучить нейросеть, но построить правила для получения вывода достаточно легко, и входные данные понятны или даже очевидны.
Например, возьмём StarCraft2, можете посмотреть как там работает AlphaStar. Чем дальше обучается, тем хуже играет, потому, что основная часть игр происходит между агентами, а игр против человека слишком мало.
С другой стороны нечёткая логика, можно построить ИИ управляющий армиями. Обозначить правила поведения в формате:
ЕСЛИ противников=много ТО убегать
а вот что значит «много» нам скажут «эксперты», это может быть один профессиональный игрок или много любителей, в итоге окажется не так важна точность их показаний.
Поведение нейронной сети непредсказуемо, может быть так что в обучающую выборку не попал частный случай и с ним будут ошибки, а в нечёткой логике можно построить систему принятия решений, которая учтёт все возможные исходные условия.
Окей, не нравится моя математика, приведу аналогию.
Не хотел вас никак задеть.
Он объясняет это тем, что фирма наняла эксперта (в вашей области), который сказал, что вы очень плохо работаете.
Эксперты — это люди. Здесь человеческий фактор очень решает.
Очевидно, что я и вы говорим о разных понятиях, называя их одним словом. Ну или вы пытаетесь привести аргумент через аналогию, что не корректно, особенно в данном случае. И вот почему. Из вашего комментария понятно, что, употребляя слово «эксперт», вы имеете ввиду человека, который конвенционально разбирается в данном вопросе лучше остальных. Я же, как и, смею предположить, Заде, понимаю под этим словом вообще любой источник, которому мы доверяем, из которого черпаем «правильные ответы» для построения новых и корректировки существующих функций принадлежности. Да, в основном этими «экспертами» являются люди, ведь применяется теория чаще всего в связи с размытыми понятиями, которые по своей природе не отрывны от человека. Их не представляется возможным описать одним набором значений, как с изображением машины.
Приведу пример, для объяснения разницы. Чтобы «научить» программу распознавать автомобили, мы показываем ей
10 000 фотографий
разнообразных машин. Достаём или создаём этот массив данных,
обучаем — вуаля. Валидность ответов не вызывает сомнения, Рено Логан и в Африке Логан; хотя в выборке тысячи моделей машин со своими особенностями строения, не говоря уже о внешнем виде. Грубо говоря, мы имеем возможность запечатлеть конкретный пример понятия (отражение эйдоса в реальном мире, если угодно) одним вектором значений (множеством в случае выборки). Обучить модель можно и другими методами: можно при выводе картинки на экран отвечать, машина это или нет))) и тд.
У нас не получится ни каким образом, кроме как интуитивными ответами конкретного человека, запечатлеть на носителе проявление понятия «бюджетный» по отношению к автомобилю, даже учитывая контекст.
Возвращаясь к разнице в понимании слова «эксперт».
Данные для обучения — это статистические данные, это формулы. И ошибки появляются только из-за неправильной методики сбора этих данных.
В случае обучения нейронки, экспертом, в моём понимании, будет либо источник, у которого позаимствовали выборку, либо вы, как тот, кто эту выборку создаёт. Хоть их и можно назвать «статистическими», проблема в том, что ответы эксперта в случае построения ФП для НМ в таком случае так же можно назвать статистическими. Качественной разницы в двух выборках, на мой взгляд, нету (буду рад, если покажете её).
Мы исключаем человеческий фактор, остаётся сухая математика.
Последнее, что хотелось опровергнуть, — нематематичность теории нечёткости. Человеческий фактор может влиять и на выборку для нейронной сети, раз на то пошло. Как вы сами и сказали, неправильная методика, переобучение и тд. «Сухая математика» работает по обе стороны — что в построении нейронки, где по чётко заданному алгоритму на каждом шаге корректируются веса на ней всей (она суть «большая сложная функция»), что в построении ФП для НМ, в котором происходит примерно то же, но сама функция зачастую проще.
Кроме того, центральная предельная теорема тут не работает, поэтому количество переходит только в накопление ошибки.
Позволю себе заметить, что было бы странно ожидать выполнения теоремы, относящейся к теорверу, от теории, никак не претендующей на отношение к нему.
Извиняюсь за многословный ответ.
Если честно, то я не думаю, что она «абсолютно не пригодна». Судя по количеству статей и трудов, её уже давно и довольно успешно применяют в различных областях, как и машинное обучение, которое начали пробовать прикладывать к реальным задачам в 70-80хх годах. Очень часто пишут про применение нечёткой теории в лингвистике, что неудивительно, ведь одно из нововведённых понятий — лингвистическая переменная; и в автоматизации разного рода производств.
Хорошо, обозначим эксперта как f(x), а нейросеть как g(x).
Вот, что я утверждаю:
(1) |f1(x) — f2(x)| > e
(2) |g1(x) — g2(x)| < e
(3) |f(x) — g(x)| >> e
, где x — исходные данные, e — неточность.
Ваши утверждения неверны в общем случае. Примеры, опровергающие их, я привёл выше.
По сути вопрос прост: каким видется практическое применение данных выкладок, и как такой вариант может работать с современными дискретными или аналоговыми решениями.
Нейронная сеть, выдающая вектор вероятностей, элементы которого соответствуют распознаваемым классам, как раз использует матаппарат нечёткой логики, а именно понятие функции принадлежности к нечёткому множеству. Без этого нейросеть выдавала бы битовый вектор (значения функции принадлежности к чётким множествам), а не вектор вещественных величин в диапазоне [0;1].
Ну и человек мыслит именно в нечёткой логике, вольно оперируя вероятностями. "Обычная" логика — редкое исключение.
Еще одно соображения такого же типа. Когда-то я видел упоминание теории о шестиполюсных магнитах. В математическом отношении теория не имеет изъянов. Но практически таких магнитов нет.
См. здесь.
Применить в деле ни то, ни другое не удалось, увы.
Кажется эта теория эквивалентна теории вероятности… Не понимаю почему автор теории это отрицает, какие у него аргументы?
На уровне теории отличий ещё больше, к примеру в теории НМ для функций принадлежности не применяется плотность вероятности. Область значений функции принадлежности, вообще говоря, может быть любой (другой вопрос, что это не удобно и не принято), и тд…
Как заметили в предыдущем комментарии, некоторые люди связывают эти два раздела математики. Тот же самый Орлов А.И. вообще считает теорию нечёткости разделом теории вероятностей.:
"… нечёткие множества можно рассматривать как проекции случайных множеств, подобно тому, как за функциями распределения видны случайные величины, порождающие эти функции распределения"; «Хотя в настоящее время при решении прикладных задач вероятностно-статистические методы и методы теории нечёткости обычно рассматриваются как различные, их внутреннее единство заслуживает обсуждения и применения.» — 2013
Нечёткая математика. Основы нечётких множеств