Résumé
Sensory data are, due to the lack of an absolute reference, imprecise and uncertain data. Fuzzy logic can handle uncertainty and can be used in approximate reasoning. Automatic learning procedures allow to generate fuzzy reasoning rules from data including numerical and symbolic or sensory variables. We briefly present an induction method that was developed to extract qualitative knowledge from data samples. The induction process is run under interpretability constraints to ensure the fuzzy rules have a meaning for the human expert. We then study two applied problems in the food industry: sensory evaluation and process modeling.
Les données sensorielles sont, du fait d'une absence de référence absolue, imprécises et incertaines. La logique floue manipule l'incertitude et s'utilise dans le raisonnement approché. Les procédures d'apprentissage automatique permettent de générer des règles de raisonnement floues à partir de données incluant des variables numériques, symboliques ou sensorielles. Nous présentons une méthode d'induction pour extraire de la connaissance qualitative des données. La procédure d'induction est contrainte afin d'assurer que les règles induites soient interprétables par l'expert. Deux exemples de l'industrie agro-alimentaire sont présentés : l'un de traitement de données sensorielles, l'autre de simulation d'un procédé.