Type-2 Fuzzy Logic in Decision Support Systems

DIEGO SEBASTIÁN COMAS; JUAN IGNACIO PASTORE; AGUSTINA BOUCHET; VIRGINIA BALLARIN; GUSTAVO MESCHINO

Cantabria

Workshop; 3º International Workshop on Knowledge Discovery, Knowledge Management and Decision Support; 2011

EUREKA network, the Spanish university of Cantabria and the German university of Oldenburg

Los sistemas de soporte a las decisiones (DDS) han demostrado ser útiles en el modelado de conocimiento experto. Estos sistemas definen un conjunto de variables de entrada, las cuales son evaluadas y procesadas para alcanzar resultados útiles para dar algún soporte en una situación de decisión. Los DSS han sido aplicados con éxito, por ejemplo: para asistir en el diagnóstico de patologías a través del procesamiento de imágenes médicas; sistemas de clasificación para la segmentación de imágenes; clasificación de señales de electrocardiogramas; reconocimiento de voz; evaluación de riesgo; predicción del churn (clientes que dejan un proveedor) como indicador de la insatisfacción de los clientes, cuantificación del rendimiento de los empleados; entre otros. Un método consiste en expresar el conocimiento como un conjunto de predicados difusos para determinar la salida del sistema de decisión. Los predicados difusos permiten trabajar con grados de verdad en el intervalo [0, 1]. La calidad del sistema implementado depende de la adecuación del modelo propuesto al conocimiento disponible: una vez configurados, estos sistemas no descubren conocimiento; el conocimiento es implementado por ellos. Existen varias dificultades para obtener un modelo de sistema de decisión de calidad basado en conocimiento experto. En primer lugar, las mediciones de los valores usados como entradas al sistema tienen incertezas inherentes a la naturaleza de los datos; segundo, ruido en el sistema de adquisición o incertezas en los algoritmos de procesamiento pueden aparecer, generando mediciones inexactas. Por otro lado, para determinar el conjunto de predicados debe tomarse en consideración incertezas por parte de los expertos en la interpretación de las palabras involucradas. El grado de verdad de los predicados puede ser obtenido a partir de las funciones de pertenencia que definen los Conjuntos Difusos. Los Conjuntos Difusos Tipo 1 (T1FSs) permiten definir grados de pertenencia difusos para cada elemento del conjunto a través de funciones de pertenencia. Esta característica permite tomar en consideración incertezas en las variables de entrada o incertezas en la definición de predicados. Éstos están limitados por la definición de un único grado de pertenencia para cada elemento y son inadecuados para modelar las siguientes situaciones:  incertezas en el significado de las palabras usadas para la evaluación de predicados para modelar diferentes puntos de vista de diferentes expertos sobre la misma palabra;  incertezas en las mediciones que activan las entradas del sistema y los datos usados para definir los valores de los parámetros que están afectados por ruido. Los Conjuntos Difusos Tipo 2 (T2FSs) son una extensión de los T1FSs. Definen un T1FS para el grado de pertenencia de cada elemento. Estos conjuntos permiten una mayor capacidad de modelización al considerar las incertezas propias a los DSS basados en conocimiento experto. Aunque el conocimiento experto puede diferir, estos conjuntos son capaces de generar un modelo de decisión único. En este trabajo se presentan los T2FSs y se analizan sus aplicaciones en DSSs. Finalmente se realiza un análisis de las características de diseño de los DSS desde conocimiento experto.