¿A qué nos referimos con Lógica Difusa? Este término viene de un concepto anterior que son los conjuntos difusos. A diferencia de los conjuntos tradicionales, que vimos en el colegio, los conjuntos difusos admiten grados de pertenencia, lo que permite representar pertenencia parcial a una categoría o grados de incertidumbre en la información disponible y construir una lógica computacional para optimizar y automatizar ciertas tareas o procesos. El proceso racional humano incluye procesos de categorización que no son estrictos, sino que permiten grados de pertenencia. La Lógica Difusa permite simularlo y construir sistemas de inteligencia computacional. ¿Cuáles son sus aplicaciones? Podemos separar dos ámbitos de aplicación: control industrial y apoyo a la toma de decisiones. En control industrial hay dos enfoques de aplicación. El primero es el de Takagi Sugeno, que se basa en combinar en forma difusa varios modelos asociados a diferentes estados de una planta. El otro enfoque es el de Mamdani. A diferencia del anterior, no se modela la planta, sino que al operador. Este es útil, por ejemplo, cuando la planta no tiene un modelo conocido o es muy compleja, pero su operador la maneja adecuadamente. En el apoyo a la toma de decisiones, la Lógica Difusa sirve cuando existe conocimiento experto, para expresarlo en un lenguaje que sea procesable por computadoras. Además, se pueden procesar bases de datos de información de gestión y procesos para extraer conocimientos de ella. En este caso típicamente se aplicarán además otras herramientas de inteligencia computacional, como por ejemplo redes neuronales. La idea es procesar la información que tienen las personas y los datos almacenados para utilizarlos en decisiones futuras. ¿Qué sectores productivos pueden utilizar la Lógica Difusa? Puede aplicarse en diversos ámbitos: se modela una realidad, por ejemplo, para hacer mantenimiento preventivo a maquinarias o diagnosticar fallas catastróficas, con la idea de minimizar costos, tiempos de para, riesgos en una planta o accidentes laborales. Otros campos de aplicación son procesos o tareas en transporte, salud, manufactura, minería, rating de créditos para bancos, diagnóstico médico, detección de fraudes, etc. ¿Existen dificultades para su implementación? Generalmente, existen varios desafíos. Por un lado, en cada ámbito de aplicación la información debe irse obteniendo de los diferentes "expertos" involucrados, consensuando criterios, y aclarando situaciones que, a veces por poco frecuentes u otras veces por "obvias", no se declaran. Además, parte del "expertise" es propio de cada institución, por lo que una solución eficaz implica involucrarse en la situación particular. Por otra parte, las bases de datos necesitan ser procesadas y depuradas antes de que puedan ser utilizadas para "construir" conocimiento. Actualmente, muchas empresas, sobre todo medianas y grandes, poseen conocimientos y datos que podrían mejorar sus procesos y su rendimiento, pero el problema es que no saben cómo abordarlos para automatizarlos. Para lograr lo anterior existen herramientas de inteligencia computacional que, junto con optimizar sus procesos, les permitiría aumentar su eficiencia y rentabilidad. |