Come potrete immaginare, un sistema esperto puo essere basato anche solamente su regole fuzzy e quìndi è il caso di capire cosa significa ragionamento fuzzy o sfumato. Se prendiamo in esame una regola del tipo if(acqua bolle) then (butto la pasta), non vi sono sicuramente incertezze a decidere quando buttare la pasta dato che (acqua bolle) è sicuramente vero o sicuramente falso. Se prendiamo in esame invece la regola if(acqua è calda) then (abbassa la fiamma) ci troviamo di fronte a dati incerti: che cosa significa calda? E quanto devo abbassare la fiamma? Supponendo di poter misurare la temperatura con un termometro, come faremo a decidere se quel valore rientrerà nella definizione "calda"? Dovremo iniziare a definire un range di valori in cui la temperatura puo variare e dei subranges che rappresentino definizioni come "calda" o "molto calda". Appare quindi evidente che non sono i dati input a essere imprecisi ma bensì le relazioni che esistono tra input e output: nei problemi trattati con fuzzy logic infatti non esiste un facile modello matematico che collega input e output . In pratica con un motore inferenziale fuzzy si puo empiricamente sintonizzare una funzione matematica che vincola input e output, tramite regole tipo " if ...then ...".

Una volta che abbiamo fuzzificato gli inputs e abbiamo fornito le informazioni in formato fuzzy al motore decisionale del nostro sistema (il programma che fa girare le regole) e che questo ci ha fornito in risposta degli output in formato fuzzy del tipo output 3 appartiene a classe2 con grado 0.6 , dobbiamo ora trovare un sistema che ci consenta di estrarre dati numerici precisi da applicare alle uscite. Questa operazione detta defuzzificazione dell output deve risolvere il problema della conflittualità che nasce dal fatto che alcune regole possono avere generato conseguenze contrastanti tipo:

conseguenza1: out1 appartiene a classe2 con grado 0.6

conseguenza2: out1 appartiene a classe3 con grado 0.3

La realizzazione software di un sistema a regole basato su ragionamento sfumato non è particolarmente difficile inquanto non presenta particolari difficoltà tecniche. Naturalmente a seconda del tipo di applicazione che può avere esigenze di velocità esecutiva o meno, si potranno scegliere soluzioni differenti sia dal punto di vista strettamente teorico relativo alla scelta delle funzioni, sia dal punto di vista della programmazione. Quando si progetta un sistema fuzzy bisogna tenere presente alcuni passi fondamentali :

1) definizione delle classi per ogni variabile di ingresso

2) definizione delle classi per ogni variabile di uscita

3) definizione della forma che descrive il "degree of membership" e delle formule da usare per fuzzificazione e defuzzificazione (decidendo anche se utilizzare una normalizzazione dei dati)

4) definizione delle regole di base del motore decisionale

5) realizzazione del programma in modo che sia possibile aggiungere regole e modificare i limiti delle classi molto facilmente.

6) test del programma sul problema e sintonizzazione del sistema sul risultato desiderato tramite operazioni successive di affinamento tipo aggiunta/modifica di nuove regole e modifica dei limiti delle classi (talvolta anche ridefinizione del numero di classi presente sul range di una variabile)

Questo ultimo passo è senza dubbio il più difficile e il più lungo, tanto che ultimamente sono stati realizzati sistemi che permettono di sintonizzare un sistema fuzzy sulla soluzione del problema tramite reti neuronali e sono in fase di studio anche sistemi che cercano di pilotare la evoluzione di un fuzzy_system tramite algoritmi genetici, cioè algoritmi che seguono i principi della teoria di Darwin. Dal punto di vista strettamente inerente la tecnica di programmazione credo che le soluzioni stilistiche possano essere ben differenziate anche a seconda dell utilizzo o meno di un linguaggio object oriented come il c++: in ogni caso uno schema di base da seguire puo essere quello seguente.

dati definiti in partenza:

float inp_class_min[n][m]
(vettore con limiti minimi di m classi su n input)

float inp_class_max[n][m]
(vettore con limiti massimi di m classi su n input)

float out_class_min[n][m]
(vettore con limiti minimi di m classi su n output)

float out_class_max[n][m]
(vettore con limiti massimi di m classi su n output)

programma:

per ogni input
             {
                leggi il valore
                fuzzificazione:
                       per ogni classe
                              {
                                 if (min < valore < max) calcola grado appartenenza 
                              }
            }


per ogni regola
                  {
                     if(ipotesi input) imposta tesi output con grado di forza associato
                  }


defuzzificazione:
        per ogni output
                 {
                    calcola i conflitti con il "gravity center  method"
                 }

La maggior parte delle applicazioni di sistemi fuzzy riguada il controllo di processi o meccanismi in genere e nell industria americana e, giapponese soprattutto, se ne è fatto largo uso in questi ultimi tempi con risultati, a quanto pare, estremamente soddisfacenti: Minolta, Panasonic, Hitachi hanno fatto uso di fuzzy logic nella realizzazione di oggetti come macchine fotografiche o semplici aspirapolveri. In ogni caso la logica fuzzy può essere il nucleo di sistemi di supporto alla decisione o sistemi di controllo, in tasks dove l' estrema complessità non permette un approccio di tipo analitico: in questo senso la logica fuzzy è concorrente alla tecnologia delle reti neurali, ma sempre più spesso queste due tecnologie vengono utilizzate contemporaneamente in sistemi ibridi.