Razonamiento basado en casos
El razonamiento basado en casos ( CBR ), ampliamente interpretado, es el proceso de resolver nuevos problemas basados en las soluciones de problemas pasados similares. Un mecánico de automóviles que repara un motor al recordar otro automóvil que exhibió síntomas similares está utilizando un razonamiento basado en casos.
Un abogado que defiende un resultado particular en un juicio basado en precedentes legales o un juez que crea jurisprudencia está utilizando un razonamiento basado en casos. Entonces, también, un ingeniero copiando elementos de trabajo de la naturaleza (practicando biomimética), trata la naturaleza como una base de datos de soluciones a los problemas.
El razonamiento basado en casos es un tipo prominente de solución de analogía.
Se ha argumentado que el razonamiento basado en casos no es solo un método poderoso para el razonamiento informático, sino también un comportamiento generalizado en la resolución de problemas humanos cotidianos; o, más radicalmente, que todo razonamiento se basa en casos pasados experimentados personalmente.
Esta visión está relacionada con la teoría del prototipo, que se explora más profundamente en la ciencia cognitiva.
Contenido
Proceso
El razonamiento basado en casos se ha formalizado a los fines del razonamiento informático como un proceso de cuatro pasos:
Recuperar: dado un problema objetivo, recuperar de la memoria los casos relevantes para resolverlo. Un caso consiste en un problema, su solución y, por lo general, anotaciones sobre cómo se obtuvo la solución. Por ejemplo, supongamos que Fred quiere preparar panqueques de arándanos. Al ser un cocinero novato, la experiencia más relevante que puede recordar es aquella en la que hizo panqueques simples con éxito.
El procedimiento que siguió para hacer los panqueques simples, junto con las justificaciones de las decisiones tomadas en el camino, constituye el caso recuperado de Fred.
Reutilización: asigne la solución del caso anterior al problema objetivo. Esto puede implicar adaptar la solución según sea necesario para adaptarse a la nueva situación. En el ejemplo del panqueque, Fred debe adaptar su solución recuperada para incluir la adición de arándanos.
Revisar: Después de haber mapeado la solución anterior a la situación objetivo, pruebe la nueva solución en el mundo real (o una simulación) y, si es necesario, revise. Supongamos que Fred adaptó su solución de panqueques agregando arándanos a la masa. Después de mezclar, descubre que la masa se ha vuelto azul, un efecto no deseado.
Esto sugiere la siguiente revisión: retrasar la adición de arándanos hasta después de que la masa se haya vertido en la sartén.
Retener: Después de que la solución se haya adaptado con éxito al problema objetivo, almacene la experiencia resultante como un nuevo caso en la memoria. Fred, en consecuencia, registra su nuevo procedimiento para hacer panqueques de arándanos, enriqueciendo así su conjunto de experiencias almacenadas y preparándolo mejor para futuras demandas de fabricación de panqueques.
Comparación con otros métodos
A primera vista, CBR puede parecer similar a los algoritmos de inducción de reglas del aprendizaje automático. Al igual que un algoritmo de inducción de reglas, CBR comienza con un conjunto de casos o ejemplos de entrenamiento; forma generalizaciones de estos ejemplos, aunque implícitos, al identificar elementos comunes entre un caso recuperado y el problema objetivo.
Si, por ejemplo, se asigna un procedimiento para panqueques simples a panqueques de arándanos, se toma la decisión de utilizar el mismo método básico de rebozado y fritura, generalizando implícitamente el conjunto de situaciones en las que se puede usar el método de rebozado y rebozado. Sin embargo, la diferencia clave entre la generalización implícita en CBR y la generalización en la inducción de reglas reside en cuándo se realiza la generalización.
Un algoritmo de inducción de reglas extrae sus generalizaciones de un conjunto de ejemplos de entrenamiento antes de que se conozca el problema objetivo; es decir, realiza una generalización entusiasta.
Por ejemplo, si un algoritmo de inducción de reglas recibiera recetas de panqueques simples, panqueques de manzana holandeses y panqueques de plátano como ejemplos de entrenamiento, tendría que derivar, en el momento del entrenamiento, un conjunto de reglas generales para hacer todo tipo de panqueques.
No sería hasta el momento de la prueba que se le asignaría, por ejemplo, la tarea de cocinar panqueques de arándanos. La dificultad para el algoritmo de inducción de reglas radica en anticipar las diferentes direcciones en las que debería intentar generalizar sus ejemplos de entrenamiento. Esto está en contraste con CBR, que retrasa la generalización (implícita) de sus casos hasta el momento de la prueba, una estrategia de generalización perezosa.
En el ejemplo de panqueques, CBR ya ha recibido el problema objetivo de cocinar panqueques de arándanos; por lo tanto, puede generalizar sus casos exactamente como sea necesario para cubrir esta situación.
En la ley, a menudo existe una delegación explícita de CBR en los tribunales, reconociendo los límites de las razones basadas en reglas: retraso limitado, conocimiento limitado del contexto futuro, límite del acuerdo negociado, etc. Si bien la CBR en la ley y la CBR inspirada cognitivamente se han asociado durante mucho tiempo, el primero es más claramente una interpolación de razonamiento y juicio basado en reglas, mientras que el segundo está más estrechamente relacionado con el recuerdo y la adaptación al proceso.
La diferencia es clara en su actitud hacia el error y la revisión de apelaciones.
Crítica
Los críticos de CBR argumentan que es un enfoque que acepta evidencia anecdótica como su principal principio operativo. Sin datos estadísticamente relevantes para respaldo y generalización implícita, no hay garantía de que la generalización sea correcta. Sin embargo, todo razonamiento inductivo donde los datos son demasiado escasos para la relevancia estadística se basa inherentemente en evidencia anecdótica.
Existe un trabajo reciente que desarrolla CBR dentro de un marco estadístico y formaliza la inferencia basada en casos como un tipo específico de inferencia probabilística; por lo tanto, es posible producir predicciones basadas en casos equipadas con un cierto nivel de confianza. Una descripción de la diferencia entre CBR e inducción a partir de instancias es queLa inferencia estadística tiene como objetivo encontrar lo que tiende a hacer que los casos sean similares, mientras que CBR pretende codificar lo que es suficiente para reclamar de manera similar.
Historia
CBR tiene sus raíces en el trabajo de Roger Schank y sus estudiantes en la Universidad de Yale a principios de la década de 1980. El modelo de memoria dinámica de Schank fue la base de los primeros sistemas CBR: CYRUS de Janet Kolodner y el IPP de Michael Lebowitz.
Otras escuelas de CBR y campos estrechamente relacionados surgieron en la década de 1980, que abordaron temas como el razonamiento legal, el razonamiento basado en la memoria (una forma de razonar a partir de ejemplos en máquinas masivamente paralelas) y combinaciones de CBR con otros métodos de razonamiento.
En la década de 1990, el interés en CBR creció internacionalmente, como lo demuestra el establecimiento de una Conferencia Internacional sobre Razonamiento Basado en Casos en 1995, así como talleres de CBR europeos, alemanes, británicos, italianos y otros.
La tecnología CBR ha resultado en el despliegue de una serie de sistemas exitosos, el primero de ellos CLAVIER de Lockheed, un sistema para colocar piezas compuestas para hornear en un horno de convección industrial. CBR se ha utilizado ampliamente en aplicaciones de mesa de ayuda, como el sistema SMART de Compaq y ha encontrado un área de aplicación importante en las ciencias de la salud.
Referencias
Weir, BS (1988). Actas de la Segunda Conferencia Internacional sobre Genética Cuantitativa (p. 537). Sinauer Associates.
Agnar Aamodt y Enric Plaza, » Razonamiento basado en casos: problemas fundamentales, variaciones metodológicas y enfoques del sistema «, Artificial Intelligence Communications 7 (1994): 1, 39-52.
Los algoritmos de inducción de reglas son procedimientos para aprender reglas para un concepto dado al generalizar a partir de ejemplos de ese concepto. Por ejemplo, un algoritmo de inducción de reglas podría aprender reglas para formar el plural de sustantivos en inglés a partir de ejemplos como perro / perros, moscas / moscas y rayos / rayos.
Richter, Michael M.; Weber, Rosina O. (2013). Razonamiento basado en casos: un libro de texto. Heidelberg: Springer-Verlag. doi : 10.1007 / 978-3-642-40167-1. ISBN 9783642401664. OCLC 857646182.
Eyke Hüllermeier. Razonamiento aproximado basado en casos. Springer-Verlag, Berlín, 2007.
Fuentes
- Url: www.idi.ntnu.no
- Url: doi.org
- Url: www.worldcat.org
- Url: books.google.com
Autor
