Ajeżeli powiem ci, że matematyka nie jest nauką o liczbach, tylko o zależnościach między obiektami? Statystyka wykorzystująca logikę rozmytą pozwala automatycznie tworzyć z danych zdania klarowne dla odbiorców. Zaś podsumowania lingwistyczne są narzędziami przybliżającymi nas do skonstruowania sztucznej inteligencji – gdyż pozwalają w precyzyjny sposób posługiwać się nieprecyzyjnymi pojęciami języka.
Najczęściej cytowanym w historii artykułem z matematyki jest praca Loftiego Zadeha z 1965 r. „Zbiory rozmyte”. Naukowiec przedstawił w niej pomysł, który otwierzył nieprzebraną przestrzeń tematów badawczych. Tradycyjna logika używa pojęcia fałszu i prawdy; logika rozmyta posługuje się pojęciem funkcji przynależności, narzędziem, które binarną dychotomię zamienia na nieskończoną ilość przynależności elementu do zbioru. Za pomocą tegoż aparatu można modelować dane nieprecyzyjne – pojęcia rozmyte. Niech za przykład posłuży temperatura (element) i przymiotniki ciepło oraz zimno (dwa zbiory). Oceniamy, że temperatura 18 stopni Celsjusza to element, który przynależy do określenia „ciepło” w stopniu 0,7, a do „zimno” – w stopniu 0,1.
Generowanie podsumowań lingwistycznych oparte jest na zasadach logiki rozmytej. Podczas analizy danych możemy otrzymać np. taki wzór: obiekt, który jest Q R jest P w pewnym stopniu prawdy. A dzięki temu można otrzymać czytelną informację, np. pacjenci po operacji serca większość nocy (Q) po wzmożonej aktywności fizycznej (R) przesypiają bez przerwy (P) – prawdziwe w stopniu 0,7. Anna Wilbik, James Keller i Gregory Alexander z Uniwersytetu w Missouri w artykule z 2011 r. pokazują, jak generować tego typu czytelne dla pielęgniarek stwierdzenia na podstawie danych zebranych u seniorów w domach starców.
Polski zespół naukowców – Katarzyna Kaczmarek-Majer, Olgierd Hryniewicz, Monika Dominiak, Łukasz Święcicki – w 2019 r. zaprezentował zastosowania podsumowań lingwistycznych do automatycznego generowania informacji na temat pacjentów dotkniętych chorobą afektywną dwubiegunową. Na podstawie danych zbieranych z aplikacji i podczas spotkań chorych z psychiatrami udało im się tworzyć zdania typu „Większość z wykonywanych telefonów przez pacjenta A w stanie depresji jest długa”.
Choć wiele jeszcze pracy przed naukowcami, metoda generowania podsumowań lingwistycznych to kolejny etap automatyzacji procesu analizy danych. W czasie rzeczywistym użytkownik będzie mógł bez znajomości aparatu matematycznego, kryjącego się za algorytmem, przeczytać czytelne i zrozumiałe podsumowanie stanu pewnego procesu w języku naturalnym. Języku używanych na co dzień rozmytych określeń. ©℗
