Câu trả lời của tôi về mặt kỹ thuật phù hợp hơn với các tập mờ hơn là logic mờ, nhưng hai khái niệm này thực tế không thể tách rời. Tôi đã đào sâu vào các bài báo tạp chí học thuật về logic mờ vài năm trước để viết một loạt bài hướng dẫn về việc thực hiện các tập mờ trong SQL Server . Mặc dù tôi khó có thể được coi là một chuyên gia, tôi khá quen thuộc với tài liệu và sử dụng các kỹ thuật thường xuyên để giải quyết các vấn đề thực tế. Ấn tượng mạnh mẽ mà tôi thu được từ nghiên cứu được công bố là tiềm năng thực tế của các tập mờ vẫn chưa được khai thác, chủ yếu là do một nghiên cứu về hàng chục gia đình kỹ thuật khác có thể giải quyết các câu hỏi bổ sung.
Thị trường đông đúc của các ý tưởng trong Khoa học dữ liệu / Học máy, v.v.
Đã có sự tiến bộ nhanh chóng như vậy trong các máy Vector hỗ trợ, mạng lưới thần kinh, rừng ngẫu nhiên, v.v ... mà các chuyên gia, nhà phân tích, nhà khoa học dữ liệu, lập trình viên hoặc người tiêu dùng sản phẩm của họ không thể theo kịp tất cả. Trong loạt bài viết trên blog của tôi, tôi nói rất nhiều về cách phát triển thuật toán cho các tập mờ và logic nói chung là hơn 20 năm so với phần mềm có sẵn, nhưng có thể nói tương tự về nhiều lĩnh vực liên quan; Tôi đọc chuyên sâu về mạng lưới thần kinh và có thể nghĩ về điểm số của các kiến trúc thần kinh đáng giá đã được phát triển từ nhiều thập kỷ trước nhưng chưa bao giờ được đưa vào thực tế, chứ đừng nói đến việc mã hóa trong phần mềm dễ dàng có sẵn. Điều đó đang được nói, logic mờ và các bộ đang gặp bất lợi kỳ lạ trong thị trường ý tưởng đông đúc này, chủ yếu là do biệt danh của chúng, đã gây tranh cãi trở lại khi Lofti A. Zadeh đặt ra. Điểm quan trọng của các kỹ thuật mờ chỉ đơn giản là ước tính một số loại dữ liệu có giá trị riêng biệt trên các thang đo liên tục, nhưng các thuật ngữ như "logic có giá trị liên tục gần đúng" và các bộ được phân loại chính xác là không bắt mắt. Zadeh thừa nhận rằng anh ta đã sử dụng thuật ngữ "mờ" một phần vì nó gây được sự chú ý, nhưng nhìn lại, nó có thể đã thu hút được sự chú ý sai.
Thuật ngữ "Fuzz" Backfires
Đối với một nhà khoa học dữ liệu, nhà phân tích hoặc lập trình viên, đó là một thuật ngữ có thể gợi lên sự rung cảm của "công nghệ tuyệt vời"; cho những người quan tâm đến AI / khai thác dữ liệu / v.v. vv chỉ trong chừng mực nó có thể giải quyết các vấn đề kinh doanh, "mờ" nghe có vẻ rắc rối không thực tế. Đối với một người quản lý công ty, bác sĩ liên quan đến nghiên cứu y tế, hoặc bất kỳ người tiêu dùng nào khác không biết, nó có thể gợi lên hình ảnh của thú nhồi bông, chương trình cảnh sát thập niên 70 hoặc một cái gì đó từ tủ lạnh của George Carlin. Luôn luôn có một sự căng thẳng trong công nghiệp giữa hai nhóm, với nhóm sau thường thống trị trước đây từ viết mã và thực hiện nghiên cứu chỉ vì sự tò mò trí tuệ hơn là lợi nhuận; trừ khi nhóm đầu tiên có thể giải thích tại sao các kỹ thuật mờ này có lợi nhuận thì sự thận trọng của nhóm đầu tiên sẽ ngăn cản việc áp dụng chúng.
Quản lý không chắc chắn & Gia đình của các ứng dụng mờ
Điểm của các kỹ thuật tập mờ là để loại bỏfuzz vốn đã có sẵn trong dữ liệu, dưới dạng các giá trị rời rạc không chính xác có thể được mô hình hóa tốt hơn trên các thang đo liên tục gần đúng, trái với sự hiểu lầm phổ biến rằng "fuzz" là thứ bạn thêm vào, giống như một chiếc bánh pizza đặc biệt. Sự khác biệt đó có thể đơn giản nhưng nó bao gồm rất nhiều ứng dụng tiềm năng, từ xử lý ngôn ngữ tự nhiên đến Lý thuyết quyết định đến kiểm soát các hệ thống phi tuyến. Xác suất đã không hấp thụ logic mờ như Cliff AB đề xuất chủ yếu vì nó chỉ là một tập hợp con nhỏ của các diễn giải có thể được gắn vào các giá trị mờ. Các hàm thành viên mờ khá đơn giản ở chỗ chúng chỉ phân loại một bản ghi thuộc về một bộ cụ thể bằng cách gán một hoặc nhiều giá trị liên tục, thường theo thang điểm từ 0 đến 1 (mặc dù đối với một số ứng dụng tôi ' đã thấy rằng -1 đến 1 có thể hữu ích hơn). Ý nghĩa chúng ta gán cho những con số đó tùy thuộc vào chúng ta, bởi vì chúng có thể biểu thị bất cứ điều gì chúng ta muốn, chẳng hạn như mức độ tin tưởng của Bayes, tin tưởng vào một quyết định cụ thể, phân phối khả năng, kích hoạt mạng lưới thần kinh, phương sai tỷ lệ, tương quan, v.v., v.v. không chỉ các giá trị PDF, EDF hoặc CDF. Tôi đi sâu vào chi tiết hơn nhiều trong loạt blog của mình và tạibài CV này , phần lớn được tạo ra bằng cách làm việc thông qua tài nguyên mờ yêu thích của tôi, George J. Klir, và Bộ mờ và Logic mờ của Bo Yuan: Lý thuyết và ứng dụng (1995). Họ đi sâu vào chi tiết hơn nhiều về cách lấy toàn bộ các chương trình của Ban quản lý không chắc chắn từ các bộ mờ.
Nếu logic và bộ mờ là một sản phẩm tiêu dùng, chúng ta có thể nói rằng nó không thành công do thiếu tiếp thị và truyền giáo sản phẩm, cộng với sự lựa chọn nghịch lý của một thương hiệu. Trong khi nghiên cứu về vấn đề này, tôi không thể nhớ lại việc chạy vào một bài báo tạp chí học thuật duy nhất đã cố gắng gỡ lỗi bất kỳ ứng dụng nào trong số này theo cách tương tự với bài báo khét tiếng của Minksy và Papert về tri giác. Ngày nay, có rất nhiều sự cạnh tranh trên thị trường ý tưởng để thu hút sự chú ý của các nhà phát triển, nhà lý thuyết, nhà khoa học dữ liệu và các sản phẩm tương tự cho các vấn đề tương tự, là tác dụng phụ tích cực của tiến bộ kỹ thuật nhanh chóng. Nhược điểm là có rất nhiều trái cây treo ở đây sẽ không bị hỏng, đặc biệt là trong lĩnh vực mô hình hóa dữ liệu nơi chúng được áp dụng nhiều nhất.