Résumé
Fuzzy inference systems are widely used for process simulation or control. They can be designed either from expert knowledge or from data. Those only based on expert knowledge suffer from a loss of accuracy, while the rules inferred from data may be difficult to interpret by experts. Rule induction techniques will be a useful addition to expert knowledge, especially for complex system management, to the condition that the induced rules yield knowledge discovery. To be reusable, the data implicit knowledge must be explicitly turned into interpretable rules. Rule induction can be decomposed into two main phases: automatic rule generation and system optimization. System optimization includes variable selection and rule base reduction. This paper analyses the main methods for automatic rule generation and system optimization and compares them according to the most important criterion for human-computer cooperation: the rule interpretability.
Les systèmes d'inférence floue (SIF) sont très utilisés pour la simulation ou le contrôle des procédés. Ils peuvent être conçus à partir de l'expertise ou bien à partir d'un ensemble de données. Ceux qui sont basés sur la seule expertise humaine souffrent généralement d'un manque de précision, tandis que les règles inférées à partir des données sont souvent difficiles à interpréter pour les experts. La coopération des deux types de SIF, indispensable pour la gestion des systèmes complexes, est envisageable sous réserve que l'induction automatique des règles produise de la connaissance, sous forme de règles, qui soit réutilisable par les experts. L'induction de règles peut être décomposée en deux phases : la génération automatique des règles et l'optimisation du système. Cette dernière inclut la sélection de variables et la réduction de la base de règles. Cet article analyse les principales méthodes disponibles et les compare suivant un critère essentiel pour la coopération homme-machine : l'interprétabilité des règles.