Fundamentals of Uncertainty Calculi with Applications to Fuzzy Inference

با این دیدگاه که ماشین‌ها می‌توانند هوشمندتر شوند، برای بیش از یک دهه شاهد تلاش‌های مهندسی فوق‌العاده برای پیاده‌سازی سیستم‌های هوشمند بوده‌ایم. این تلاش ها شامل تقلید از استدلال انسانی است و محققان سعی کرده اند چنین استدلالی را از دیدگاه های مختلف مدل کنند. اما در مورد فرآیندهای استدلال انسان، مکانیسم‌های یادگیری و موارد مشابه، و به‌ویژه در مورد استدلال با دانش محدود و نادقیق، اطلاعات کمی داریم. به تعبیری، سیستم‌های هوشمند ماشین‌هایی هستند که از کلی‌ترین شکل دانش بشری همراه با قابلیت استدلال انسان برای تصمیم‌گیری استفاده می‌کنند. بنابراین مشکل کلی استدلال با دانش هسته اصلی روش شناسی طراحی است. تلاش برای استفاده از دانش بشری در طبیعی ترین معنای آن، یعنی از طریق توصیفات زبانی، بدیع و بحث برانگیز است. تازگی در تشخیص نوع جدیدی از عدم قطعیت، یعنی فازی بودن در زبان طبیعی، و بحث در فرآیند مدل‌سازی ریاضی نهفته است. همانطور که R. Bellman [7] زمانی گفت، تصمیم گیری در شرایط عدم قطعیت یکی از ویژگی های هوش انسان است. هنگامی که عدم قطعیت به عنوان عدم امکان پیش بینی وقوع رویدادها درک شود، زمینه برای آماردانان آشنا است. به این ترتیب، تلاش‌هایی برای استفاده از نظریه احتمال به عنوان یک ابزار ضروری برای ساختن سیستم‌های هوشمند دنبال شده است (پرل [203]، ناپل [182)]. اگر دانش نامطمئن در یک مسئله معین را بتوان به عنوان معیارهای احتمال مدل‌سازی کرد، این روش درست به نظر می‌رسد.

With the vision that machines can be rendered smarter, we have witnessed for more than a decade tremendous engineering efforts to implement intelligent sys­ tems. These attempts involve emulating human reasoning, and researchers have tried to model such reasoning from various points of view. But we know precious little about human reasoning processes, learning mechanisms and the like, and in particular about reasoning with limited, imprecise knowledge. In a sense, intelligent systems are machines which use the most general form of human knowledge together with human reasoning capability to reach decisions. Thus the general problem of reasoning with knowledge is the core of design methodology. The attempt to use human knowledge in its most natural sense, that is, through linguistic descriptions, is novel and controversial. The novelty lies in the recognition of a new type of un­ certainty, namely fuzziness in natural language, and the controversality lies in the mathematical modeling process. As R. Bellman [7] once said, decision making under uncertainty is one of the attributes of human intelligence. When uncertainty is understood as the impossi­ bility to predict occurrences of events, the context is familiar to statisticians. As such, efforts to use probability theory as an essential tool for building intelligent systems have been pursued (Pearl [203], Neapolitan [182)). The methodology seems alright if the uncertain knowledge in a given problem can be modeled as probability measures.