Fuzzy Logic (Bulanık Mantık)

#GelismisAlgoritmalar #Matematik #IoT #MakineOgrenmesi

Klasik ikili mantığı 0-1 arası sürekli üyelik dereceleriyle genişleten matematiksel çerçeve; belirsiz ve muğlak kavramları modellemek için kullanılır.

Bulanık mantık (fuzzy logic), 1965 yılında Lotfi Zadeh tarafından geliştirilen ve klasik Aristoteles mantığının ikili (doğru/yanlış) sınıflandırmasını sürekli bir üyelik derecesine genişleten matematiksel bir çerçevedir. Klasik küme teorisinde bir eleman ya kümeye aittir ya da değildir; bulanık kümede ise 0 ile 1 arasında herhangi bir üyelik derecesi alabilir. Bulanık mantığın temel kavramı bulanık kümeler ve üyelik fonksiyonlarıdır. 'Yüksek sıcaklık' gibi dilsel bir değişken için üçgen veya trapezoid biçimli bir üyelik fonksiyonu tanımlanır; örneğin 35°C 'yüksek sıcaklık' kümesine 0.7, 'çok yüksek sıcaklık' kümesine 0.3 derecesiyle üye olabilir. Bu belirsiz sınırlar gerçek dünyanın muğlak kavramlarını daha doğal biçimde modeller. Bulanık çıkarım sistemi üç aşamadan oluşur: bulanıklaştırma (fuzzification) kesin girdileri üyelik derecelerine dönüştürür; bulanık kural tabanı dilsel kurallarla ('EĞER sıcaklık yüksek VE nem çok fazla İSE fan hızı yüksek') çıkarım yapar; berraklaştırma (defuzzification) ise bulanık çıktıyı ağırlıklı ortalama gibi yöntemlerle kesin bir sayıya dönüştürür. Bulanık mantık, özellikle kesin matematiksel model kurmanın güç olduğu kontrol sistemlerinde güçlüdür. Çamaşır makinesi, klima, kamera otofokus ve metro sistemleri bulanık mantık kontrolörü kullanan yaygın ürünlere örnek verilebilir. Makine öğrenmesi öncesinde endüstriyel otomasyon ve karar destek sistemlerinde standart bir teknolojiydi. Günümüzde bulanık mantık, nöro-bulanık sistemler (neuro-fuzzy) aracılığıyla derin öğrenmeyle birleştirilmektedir. ANFIS (Adaptive Neuro-Fuzzy Inference System) gibi modeller hem yorumlanabilir kural tabanını hem de veriden öğrenme kapasitesini bir arada tutar. Python'da scikit-fuzzy kütüphanesi, MATLAB'da ise Fuzzy Logic Toolbox bu sistemi uygulamak için en yaygın araçlardır. Açıklanabilir yapay zeka (XAI) tartışmalarında bulanık mantığın şeffaf karar yapısı yeniden ilgi görmekte; tıbbi teşhis, finans riski ve gömülü kontrol sistemleri gibi alanlarda etkin biçimde kullanılmaktadır.

Klasik ve Bulanık Mantık Farkı

Klasik Boolean mantığında her önerme kesinlikle doğru (1) veya yanlış (0)'dır. Ancak 'bu kişi uzun mu?' sorusuna kesin cevap vermek güçtür; 1.75m boyundaki biri bazı bağlamlarda uzun, bazılarında orta sayılır. Bulanık mantık bu belirsizliği sorun olarak değil, gerçekliğin doğal bir özelliği olarak kabul eder ve modellemesine izin verir.

Üyelik Fonksiyonları

Üyelik fonksiyonları dilsel değişkenleri sayısal derecelere dönüştürür. Üçgen, trapezoid, Gaussian ve sigma biçimli fonksiyonlar en yaygın kullanılanlardır. Uzman bilgisine göre tasarlanan bu fonksiyonlar, hangi değerlerin hangi dilsel etikete ne derece uyduğunu tanımlar. Fonksiyon parametrelerini otomatik öğrenen nöro-bulanık sistemler ise bu tasarımı veriden çıkarır.

Kontrol Sistemlerinde Güç

Bulanık mantık kontrolörleri, kesin matematiksel model gerektiren PID kontrolörlere rakip bir yaklaşım sunar. Mühendisler sistemi modellemek yerine uzman bilgisini dilsel kurallar biçiminde kodlar. Japon elektroniği bulanık mantık kontrolörlerini 1980'lerde yaygın biçimde benimsedi; Hitachi'nin metro sistemi ve Panasonic'in çamaşır makineleri bu teknolojinin olgunluk kanıtlarıdır.

Günümüzde Bulanık Mantık

Derin öğrenmenin yükselişiyle birlikte saf bulanık mantık sistemleri yerini nöro-bulanık hibrit mimarilere bırakmaya başladı. ANFIS (Adaptive Neuro-Fuzzy Inference System) gibi modeller hem yorumlanabilir kural tabanını hem de veriden öğrenme kapasitesini birleştirir. Açıklanabilir AI tartışmalarında bulanık mantığın şeffaf karar yapısı yeniden ilgi görmektedir.

Bulanık Mantık Uygulama Alanları

Kontrol Sistemleri

Çamaşır makinesi su miktarı, klima sıcaklık kontrolü ve otomotiv ABS frenleme — mühendislik sezgisini kesin matematiksel model gerektirmeden uygulamanın standardı.

Tıbbi Tanı

Semptom şiddeti belirsizliği için bulanık sınıflandırma; hasta verisi genellikle keskin sınıflara uymaz, bulanık üyelik fonksiyonları daha gerçekçi modeller üretir.

Finansal Risk

Kredi riski değerlendirmesi ve portföy yönetimi; 'düşük risk', 'orta risk' gibi dilsel değişkenleri sayısal karar sistemine entegre etme.

Oyun Yapay Zekası

NPC davranış tasarımı; kesin durum makineleri yerine 'saldırgan', 'savunmacı' durumları arasında pürüzsüz geçişler sağlayan bulanık kontrol.

Sık Sorulan Sorular

  • check_circle Bulanık mantık olasılık teorisinden farkı nedir? Olasılık belirsizliği rastgelelikle açıklarken bulanık mantık kavramsal muğlaklığı modeller. 'Bu hasta muhtemelen hasta' olasılık sorusuyken, 'bu hasta çok hasta' bulanık mantık sorusudur.
  • check_circle Bulanık mantık derin öğrenmeyle rekabet edebilir mi? Büyük veri ve hesaplama gücü gerektiren görevlerde derin öğrenme üstündür. Ancak az veri, yorumlanabilirlik ve gerçek zamanlı kontrol gerektiren gömülü sistemlerde bulanık mantık hâlâ güçlü bir seçenektir.
  • check_circle Kural tabanı nasıl oluşturulur? Geleneksel olarak alan uzmanları kuralları elle tanımlar. Nöro-bulanık yaklaşımlarda ise kural parametreleri eğitim verisi kullanılarak öğrenilir.
  • check_circle Bulanık mantık hangi programlama dillerinde uygulanır? Python'da scikit-fuzzy kütüphanesi, MATLAB'da Fuzzy Logic Toolbox yaygın kullanılır. Gömülü sistemler için C/C++ uygulamaları da mevcuttur.