Fuzzy Logic

Fuzzy Logic (unscharfe Logik) ist eine Erweiterung der klassischen Booleschen Logik, die statt binärer Wahrheitswerte (wahr/falsch) Abstufungen zulässt — ein Wert kann „70% wahr" sein. In den 1990ern als KI-Ansatz prominent, heute eine Nische.

Lotfi Zadeh (UC Berkeley) führte Fuzzy Logic 1965 ein. Die Grundidee: Die reale Welt ist nicht scharf. „Ist 29°C warm?" — klassisch: entweder ja oder nein. Fuzzy: 0,7 warm, 0,3 kühl. „Ist 180 cm groß?" — das hängt vom Kontext ab. Fuzzy Membership Functions bilden diese Gradualität mathematisch ab.

Die Anwendungserfolge lagen primär in der Steuerungstechnik. Japanische Unternehmen setzten in den 1980-90ern Fuzzy-Controller in Waschmaschinen (automatische Programmanpassung), U-Bahn-Systemen (sanftes Bremsen in Sendai, 1987), Klimaanlagen und Autofokus-Kameras ein. Diese Systeme benötigten kein mathematisches Modell der zu steuernden Anlage — nur linguistische Regeln wie „Wenn Temperatur HOCH und Feuchtigkeit HOCH, dann Lüfter STARK."

Der Rückgang: Machine Learning — insbesondere Reinforcement Learning und neuronale Netze — hat Fuzzy-Controller in den meisten Bereichen abgelöst. ML-Modelle lernen aus Daten, statt manuell Regeln zu formulieren.

Die Relevanz heute: Fuzzy Logic überlebt in der Industrieautomatisierung und Embedded-Systemen, wo interpretierbare Regeln und niedriger Rechenaufwand wichtiger sind als maximale Leistung. Neuro-Fuzzy-Systeme kombinieren Fuzzy Logic mit neuronalen Netzen — die Regeln werden aus Daten gelernt, behalten aber ihre interpretierbare Struktur.