Razonamiento basado en casos

Modelos de memoria CBR, de arriba a abajo: memoria de categoría, memoria simple y memoria dinámica.

En inteligencia artificial y filosofía, el razonamiento basado en casos (CBR), en sentido amplio, es el proceso de resolver nuevos problemas basándose en las soluciones de problemas anteriores similares.

En la vida cotidiana, un mecánico de automóviles que repara un motor recordando otro automóvil que presentaba síntomas similares utiliza un razonamiento basado en casos. Un abogado que aboga por un resultado particular en un juicio basado en precedentes legales o un juez que crea jurisprudencia está usando un razonamiento basado en casos. Así, también, un ingeniero que copia elementos funcionales de la naturaleza (practicando la biomimética), está tratando a la naturaleza como una base de datos de soluciones a problemas. El razonamiento basado en casos es un tipo destacado de creación de soluciones de analogía.

Se ha argumentado que el razonamiento basado en casos no solo es 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 vividos personalmente. Este punto de vista está relacionado con la teoría del prototipo, que se explora más profundamente en la ciencia cognitiva.

Proceso

Un diagrama de razonamiento basado en casos en francés.

El razonamiento basado en casos se ha formalizado a efectos del razonamiento informático como un proceso de cuatro pasos:

1. Retire: Dado un problema objetivo, recuperar casos relevantes para resolverlo de memoria. Un caso consiste en un problema, su solución y, por lo general, anotaciones sobre cómo se derivaba la solución. Por ejemplo, supongamos que Fred quiere preparar tortitas de arándanos. Siendo un cocinero novato, la experiencia más relevante que puede recordar es una en la que logró hacer tortitas simples. El procedimiento que siguió para hacer las tortitas, junto con las justificaciones de las decisiones adoptadas en el camino, constituye el caso recuperado de Fred.
2. Reutilizar: Mapa de la solución del caso anterior al problema de destino. Esto puede implicar la adaptación de la solución según sea necesario para adaptarse a la nueva situación. En el ejemplo de panqueques, Fred debe adaptar su solución recuperada para incluir la adición de arándanos.
3. Revise: Habiendo mapeado la solución anterior a la situación de destino, probar la nueva solución en el mundo real (o una simulación) y, si es necesario, revisar. Supongamos que Fred adaptó su solución de panqueques agregando arándanos al bateador. Después de mezclarse, descubre que el bateador se ha vuelto azul – un efecto no deseado. Esto sugiere la siguiente revisión: retrasar la adición de arándanos hasta después de que el bateador haya sido arrastrado en la sartén.
4. Retener: Después de que la solución se haya adaptado con éxito al problema objetivo, almacenar la experiencia resultante como un nuevo caso en memoria. Fred, en consecuencia, registra su nuevo procedimiento para hacer tortitas de arándanos, enriquecendo así su conjunto de experiencias almacenadas, y mejor preparándolo para futuras demandas de panqueques.

Comparación con otros métodos

A primera vista, CBR puede parecer similar a los algoritmos de inducción de reglas del aprendizaje automático. Como 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 puntos en común entre un caso recuperado y el problema de destino.

Si, por ejemplo, un procedimiento para panqueques sencillos se asigna a panqueques de arándanos, se toma la decisión de usar el mismo método básico de rebozado y fritura, lo que implícitamente generaliza el conjunto de situaciones en las que se puede usar el método de rebozado y fritura. Sin embargo, la diferencia clave entre la generalización implícita en CBR y la generalización en la inducción de reglas radica en cuándo se hace 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 de destino; es decir, lleva a cabo una generalización ansiosa.

Por ejemplo, si a un algoritmo de inducción de reglas se le dieran recetas para panqueques simples, panqueques holandeses de manzana y panqueques de plátano como ejemplos de entrenamiento, tendría que derivar, en el momento del entrenamiento, un conjunto de reglas generales para hacer todos los tipos de panqueques No sería hasta el momento de la prueba que se le daría, digamos, la tarea de cocinar panqueques de arándanos. La dificultad para el algoritmo de inducción de reglas está en anticipar las diferentes direcciones en las que debería intentar generalizar sus ejemplos de entrenamiento. Esto contrasta 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 los panqueques, a CBR ya se le ha dado el problema objetivo de cocinar panqueques de arándanos; por lo tanto, puede generalizar sus casos exactamente según sea necesario para cubrir esta situación. Por lo tanto, CBR tiende a ser un buen enfoque para dominios ricos y complejos en los que hay innumerables formas de generalizar un caso.

En la ley, a menudo hay una delegación explícita de CBR a los tribunales, reconociendo los límites de las razones basadas en reglas: demora limitante, conocimiento limitado del contexto futuro, límite del acuerdo negociado, etc. asociado, el primero es más claramente una interpolación del razonamiento basado en reglas y el juicio, mientras que el segundo está más estrechamente relacionado con el recuerdo y la adaptación del proceso. La diferencia es clara en su actitud hacia el error y la revisión de apelación.

Crítica

Los críticos de CBR argumentan que es un enfoque que acepta evidencia anecdótica como su principal principio operativo. Sin datos estadísticamente relevantes para el respaldo y la generalización implícita, no hay garantía de que la generalización sea correcta. Sin embargo, todo razonamiento inductivo en el que los datos son demasiado escasos para tener relevancia estadística se basa inherentemente en pruebas anecdóticas.

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: el 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 se dirigieron a 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 por la 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 dado lugar a la implementación de una serie de sistemas exitosos, el primero de los cuales es el CLAVIER de Lockheed, un sistema para diseñar piezas compuestas que se hornearán en un horno de convección industrial. CBR se ha utilizado ampliamente en aplicaciones como el sistema SMART de Compaq y ha encontrado un área de aplicación importante en las ciencias de la salud, así como en la gestión de la seguridad estructural.

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 y la inducción a partir de instancias es que la inferencia estadística tiene como objetivo encontrar lo que tiende a hacer que los casos sean similares, mientras que CBR tiene como objetivo codificar lo que es suficiente para afirmar que son similares.

Notas y referencias