先に記述されたGRUFFシステムで、システムに埋め込まれたファジーメンバーシップ関数は、例の形状の大きなセットの上で最もよい結果を作り出すように洗練され、集合的に手作りされた。これらのメンバーシップ関数は、機械学習のアプローチを使う例から学ばれた理想的な候補である。これらのプリミティブ評価メンバーシップ関数を自動的に学べることは、より速く効率的になる知識ベースの拡大を許すであろう。GRUFFのバリエーションは、OMLETと呼ばれ、この目的のために開発された。OMLETは自動的に、それらの望ましいカテゴリー測定値にラベル付けされた例の物体のセットを与えられるプリミティブ評価メンバーシップ関数を学習する。結果は、システムの手ひねりバージョンから得られるのと本質的に等しい認識パフォーマンスのレベルがこのようにして提供されるメンバーシップ関数の学習として示される。ここで記述された学習アルゴリズムは、全体的なメンバーシップ値を与えるためのAND-OR木制御構造を組み合わされた低レベルファジーメンバーシップ値において、多くの問題に一般的に適用されるだろう。
類似の研究が、インテリジェントルールベースのための確率プリミティブを洗練することの領域において行われた。例えば、マホーニとモーニー[19]とラシェル他[18]は、トレーニング例の与えられたセットの分類を良くするための既存のルールの確実プリミティブを調整するバックプロパゲーションアルゴリズムを使う。OMLETのアプローチと比較して、与えられた結果に生成される値は信頼の測定値を表し、確実プリミティブの組み合わせ機能によって調整される。OMLETの測定値は、物体クラスのファジーメンバーシップの程度を表し、そしてその生成方法はAND-ORツリーを通してエラーを伝える。