Lógica Fuzzy Explicada: Como a IA Lida com a Incerteza

A lógica fuzzy pode não parecer o meio mais confiável de implementar um sistema de controle complexo. No entanto, a capacidade dos sistemas de lógica fuzzy de trabalhar com dados imprecisos e implementar a experiência de especialistas torna-a uma ferramenta poderosa em aplicações modernas de controle.

Visão Geral da Lógica Fuzzy

A lógica fuzzy, uma subdivisão da IA (inteligência artificial) desenvolvida por Lotfi Zadeh em 1965, permite que um sistema computacional imite como os humanos interpretam e interagem com dados. Enquanto a lógica booleana se limita a dois resultados (Verdadeiro ou Falso, 0 ou 1), a lógica fuzzy lida com graus de verdade.

Considere, como exemplo, um sistema de visão computacional que permite a um sistema robótico autônomo navegar no piso de um armazém movimentado. Veríamos uma porta à nossa direita abrir-se rapidamente e saberíamos que um obstáculo provavelmente está prestes a aparecer. Mas a lógica booleana não lida com "provavelmente" — ela lida com "um obstáculo está prestes a aparecer" e "um obstáculo não está prestes a aparecer".

Com a lógica fuzzy, entradas como a velocidade com que a porta abriu (ou seja, muito lenta, lenta, média, rápida, muito rápida), onde a porta está localizada e a hora do dia podem ser transformadas na probabilidade de que um obstáculo esteja prestes a aparecer (por exemplo, 0,8).

Os Fundamentos da Lógica Fuzzy

Em um sistema de lógica fuzzy, existem três tipos diferentes de valores:

• Valores de entrada, que estão na forma de valores numéricos nítidos (crisp) (ex.: T = 120 °C)
• Valores fuzzy, que representam a probabilidade de que um valor nítido se enquadre em um conjunto de categorias representadas linguisticamente (ex.: Baixo = 0,2, Normal = 0,8, Alto = 0,0)
• Valores de saída, que são desfuzzificados e nítidos (Prioridade = 0,7)

Existem quatro partes em um sistema de lógica fuzzy:

1. Módulo de fuzzificação
2. Base de conhecimento
3. Motor de inferência
4. Módulo de desfuzzificação

O módulo de fuzzificação recebe as entradas do sistema na forma de valores numéricos nítidos (em oposição a fuzzy). O sinal de entrada nítido é dividido em um conjunto de categorias geralmente representadas por valores linguísticos (ex.: frio, morno, quente).

Figura 1. Gráfico de três funções de pertinência representando ruim, bom e excelente. Imagem cortesia da MathWorks

O valor fuzzy para cada categoria é a probabilidade de que o valor nítido se enquadre nela. Valores fuzzy também podem ser pensados como um "grau de verdade": um carro viajando a 150 km/h poderia estar "viajando rápido com um grau de verdade de 0,75". O processo real de fuzzificação é realizado por um conjunto de funções de pertinência, sendo as mais comuns triangular, trapezoidal, gaussiana ou sigmoide.

A base de conhecimento contém um conjunto de regras se-então baseadas no raciocínio humano e informadas por um especialista na área. Aqui está um exemplo de como isso pode parecer:

• SE Temperatura é Alta E Velocidade é Baixa ENTÃO Nível_Alerta = Moderado
• SE Temperatura é Alta E Velocidade é Muito_Alta ENTÃO Nível_Alerta = Baixo
• SE Velocidade é Baixa E Temperatura é Alta OU Aceleração é ALTA ENTÃO Nível_Alerta = Alto

O motor de inferência usa as regras da base de conhecimento para processar os valores fuzzy de maneira semelhante a como um especialista humano no assunto faria. O resultado é outro valor fuzzy.

Finalmente, o módulo de desfuzzificação converte a saída do motor de inferência em um valor nítido, muito como o inverso do módulo de fuzzificação. Neste exemplo, o nível de alerta pode resultar em 0,8, o que ajuda os técnicos a priorizar tarefas de manutenção preventiva.

Como a Lógica Fuzzy é Usada

A lógica fuzzy é amplamente utilizada, e muitas pessoas se beneficiam de suas capacidades sem perceber. O processamento de linguagem natural, onde comandos de voz são usados para interagir com objetos, é uma área onde a lógica fuzzy é aplicada. No processamento de linguagem natural, há um nível de incerteza sobre o que um indivíduo está dizendo. Ainda assim, a lógica fuzzy pode lidar com tais dados ruidosos ou imprecisos para interpretar o que foi dito com alto grau de precisão.

Figura 2. Lógica fuzzy e redes neurais podem identificar várias regiões em imagens de satélite, incluindo instalações petrolíferas offshore.

Engenheiros usam a lógica fuzzy como parte de seus sistemas de suporte à decisão, e ela pode ser encontrada integrada em marketing e publicidade. Além disso, sistemas de lógica fuzzy podem ser combinados com redes neurais como parte de sistemas de visão computacional para identificar e diferenciar entre terras agrícolas, áreas urbanas, florestas e água em imagens de satélite.

Uma área onde a lógica fuzzy encontrou aplicações extensas, no entanto, é em sistemas de controle.

Lógica Fuzzy e Sistemas de Controle

Em automóveis, pode haver um sistema de lógica fuzzy que controla o sistema de freios. Veículos autônomos dependem fortemente do controle de lógica fuzzy (FLC) para sistemas como velocidade, direção e controle de cruzeiro adaptativo. E até automóveis não autônomos provavelmente utilizarão FLC para o sistema de freios. Sistemas de ar condicionado, também, frequentemente dependem da lógica fuzzy como parte de termostatos inteligentes para manter temperaturas ambiente e velocidade do ventilador em níveis confortáveis enquanto otimizam o consumo de energia.

No entanto, esses são apenas dois exemplos de seu uso. FLC pode ser encontrado em indústrias muito diversas, incluindo automação industrial, fabricação biomédica, processamento petroquímico, fabricação automotiva e energia nuclear.

Bombas, motores, ventiladores e trens de força podem ser controlados usando lógica fuzzy, recebendo dados de uma matriz de sensores como entrada. Controle de movimento extremamente preciso pode ser alcançado utilizando FLCs, daí seu uso em sistemas de usinagem com controle numérico computadorizado (CNC). Sua capacidade de controlar temperaturas eficazmente é evidenciada por seu uso em fornos e fornos de tratamento térmico que dependem de ciclos de temperatura altamente precisos. FLC também pode supervisionar interações de sistemas extremamente complexos, como as vistas em robótica de enxame.

Figura 3. A tecnologia por trás do desenvolvimento de sistemas de robótica de enxame, como este desenvolvido pelo Laboratório de Pesquisa em Eletrônica do MIT, aproveitando o poder de sistemas de controle fuzzy. Imagem cortesia do MIT

FLC também é inestimável em sistemas que dependem de visão computacional e tornou muitos avanços em automação industrial, IIoT e Indústria 4.0 possíveis e eficazes.

Sistemas de controle tradicionais dependem de dados muito precisos e regras que podem não ser capazes de levar em conta a experiência de operadores e especialistas. Por outro lado, a lógica fuzzy é ideal para aplicações onde os dados são ruidosos, imprecisos ou parcialmente ausentes. Sua base de conhecimento pode aproveitar a percepção e a experiência de pessoas reais para simular seu processo de tomada de decisão.