Case-based reasoning

De Wikipedia, la enciclopedia libre

Tienes mensajes nuevos (Dif. entre las dos últimas versiones).

Este articulo es una traducción de su versión en ingles

Case-Based reasoning o CBS (Razonamiento basado en casos) es el proceso de solucionar nuevos problemas basándose en las soluciones de problemas anteriores. Un mecánico de automóviles que repara un motor por que recordó que otro auto presentaba los mismos síntomas está usando case-based reasoning. Un abogado que apela a precedentes legales para defender alguna causa está usando case-based reasoning. También un ingeniero cuando copia elementos de la naturaleza, está tratando a esta como una “base de datos de soluciones”. El Case-Based reasoning es una manera razonar haciendo analogías. Se ha argumentado que el case-based reasoning es más que un método poderoso para el razonamiento de computadoras (computer reasoning) sino que es usado por las personas para solucionar problemas cotidianos. Más radicalmente se ha sostenido que todo razonamiento es Case-Based por que está basado en la experiencia previa.

[editar] Proceso

Case-based reasoning fue formalizado en cuatro pasos con el propósito de ser utilizado en computer reasoning (razonamiento de computadora)^[1]:

1.Recordar: Dado un determinado problema, recordar los casos relevantes que pueden solucionarlo. Un caso consiste en un problema, una solución y típicamente anotaciones sobre como la solución fue llevada a acabo. Por ejemplo, supongamos que Fede quiere preparar crepes (panqueques) de dulce de leche siendo un cocinero novato. Y la experiencia más relevante que él puede recordar es aquella en la cual tuvo éxito una vez preparando unos crepes con crema. El caso de recuerdo de Fede esta compuesto por el procedimiento que utilizó para hacer los crepes correctamente, junto con las justificaciones para las decisiones que tomó.

2.Reutilizar: Adaptar la solución del problema anterior a este nuevo. En el ejemplo anterior, Fede deberá adaptar el problema, sacando la crema y reemplazándola por dulce de leche.

3.Revisar: Una vez adaptado el problema probar la solución en el mundo real o en una simulación y si es necesario revisarla. Continuando con el ejemplo anterior supongamos que Fede rellena con dulce el crep una vez que está servido pero el dulce no se esparce bien y enfría el crep, siendo este un efecto no deseado. Se le ocurre la siguiente revisión: colocar el dulce de leche cuando el crep aún está en la sartén así se calentará y esparcirá mejor.

4.Retener: Despumes de que la solución ha sido adaptada satisfactoriamente para solucionar el problema dado, almacenar la experiencia resultante como un nuevo caso en la memoria. En nuestro ejemplo Fede almacena en su memoria esta experiencia enriqueciendo el conjunto de casos, de esta manera hará cada vez mejor los creps.

[editar] Comparación con otros métodos

A primera vista, CBR puede parecer similar a los algoritmos rule-induction (inducción-regla) ^[2]: de machine learning. Al igual que un algoritmo rule-induction , CBR comienza con un sistema de casos o de ejemplos de entrenamiento; forma generalizaciones de estos ejemplos, identificando concordancias entre un caso recordado y el problema que busca resolver. En el ejemplo, el procedimiento utilizado para mapear los crepes de crema a los crepes de dulce de leche consiste en tomar una decisión: utilizar la misma manteca, la misma forma de cocción, etc. Implícitamente se generaliza un conjunto de situaciones en las cuales esa manteca y ese método de cocción pueden ser usados. Sin embargo la diferencia entre la generalización implícita en CBR y la generalización en una regla de inducción (rule induction) estriba en cuando es hecha esta generalización. En un algoritmo rule-induction la generalización se hace de un conjunto de ejemplos de entrenamiento antes de que el problema a resolver sea siquiera conocido. Por ejemplo si un algoritmo rule-induction está pensado para hacer crepes, y tiene como conjunto de ejemplos de entrenamiento las recetas para hacer panqueques de banana y de manzana deberá encontrar las reglas para hacer todo tipo de panqueques en tiempo de entrenamiento. La dificultad del algoritmo rule-induction consiste en anticipar las diferentes direcciones que debe tomar al generalizar sus ejemplos del entrenamiento. Este es el contraste con con CBR, el cual demora ( Implícitamente ) la generalización de los casos hasta el tiempo de testing. Es una estrategia de lazy generalization (generalización vaga.) En el ejemplo de los crepes, CBR ya tenía el problema ha resolver: cocinar los panqueques de dulce de leche; de esta forma pudo generalizar sus casos exactamente según lo necesitado para cubrir la situación. CBR por lo tanto tiende para ser un buen algoritmo para solucionar problemas en dominios complejos en los cuales hay muchas maneras de generalizar un caso.

[editar] Criticas

Los detractores de CBR argumentan que acepta anecdotal evidence (evidencia anecdotica) como su principio de operación sin datos estadísticos relevantes acerca del problema y la generalización implícita y que por ello no hay garantía de que la generalización sea correcta. Todo razonamiento inductivo donde los datos son insuficientes para tener estadísticas relevantes se basa en anecdotal evidence.

[editar] Historia

CBR tiene sus raíces en el trabajo de Roger Schank y sus estudiantes en la universidad de Yale en los tempranos 1980s. El modelo de memoria dinamica de Schank^[3] fue la base de los tempranos sistemas CBR: Janet Kolodner's CYRUS^[4] and Michael Lebowitz's IPP^[5]. Otra escuela de CBR También emergió en la década del 80, investigando los asuntos tales como CBR en el razonamiento legal, el razonamiento memory-based (basado en la memoria) (una manera de razonar con ejemplos en las massively parallel machines), y combinaciones de CBR con otros métodos de razonamiento. En los años 90, el interés en CBR creció en la comunidad internacional, según lo evidenciado por el establecimiento de una conferencia internacional sobre el Case-Based Reasoning en 1995, así como europeo, alemán, Británicos, el italiano, y otros workshops de CBR. La tecnología CBR produjo numerosos casos de éxito. El primero fue en un sistema llamado Lockheed's CLAVIER^[6] utilizado para presentar a las piezas compuestas que se cocerán en un horno industrial de convección. CBR esta siendo utilziado intensamente en aplicaciones help-desk como Compaq SMART system^[7]. Hay numerosas herramientas decision support (soporte de decisiones) basadas en CBR disponibles comercialmente incluyendo:

k-Commerce de eGain (formerly Inference Corporation), Kaidara Advisor de Kaidara (formerly AcknoSoft) y SMART de Illation.

[editar] Ver también

Decision tree
Genetic algorithm
Pattern matching
Analogy
K-line (artificial intelligence)
Truth maintenance systems
Ripple down rules

[editar] Referencias

↑ Agnar Aamodt and Enric Plaza, "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches," Artificial Intelligence Communications 7 (1994): 1, 39-52.
↑ Rule-induction algorithms are procedures for learning rules for a given concept by generalizing from examples of that concept. For example, a rule-induction algorithm might learn rules for forming the plural of English nouns from examples such as dog/dogs, fly/flies, and ray/rays.
↑ Roger Schank, Dynamic Memory: A Theory of Learning in Computers and People (New York: Cambridge University Press, 1982).
↑ Janet Kolodner, "Reconstructive Memory: A Computer Model," Cognitive Science 7 (1983): 4.
↑ Michael Lebowitz, "Memory-Based Parsing," Artificial Intelligence 21 (1983), 363-404.
↑ Bill Mark, "Case-Based Reasoning for Autoclave Management," Proceedings of the Case-Based Reasoning Workshop (1989).
↑ Trung Nguyen, Mary Czerwinski, and Dan Lee, "COMPAQ QuickSource: Providing the Consumer with the Power of Artificial Intelligence," in Proceedings of the Fifth Annual Conference on Innovative Applications of Artificial Intelligence (Washington, DC: AAAI Press, 1993), 142-151.

[editar] Lectura adicional

Aamodt, Agnar, and Enric Plaza. "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches" Artificial Intelligence Communications 7, no. 1 (1994): 39-52.
Althoff, Klaus-Dieter, Ralph Bergmann, and L. Karl Branting, eds. Case-Based Reasoning Research and Development: Proceedings of the Third International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1999.
Kolodner, Janet. Case-Based Reasoning. San Mateo: Morgan Kaufmann, 1993.
Leake, David. "CBR in Context: The Present and Future", In Leake, D., editor, Case-Based Reasoning: Experiences, Lessons, and Future Directions. AAAI Press/MIT Press, 1996, 1-30.
Leake, David, and Enric Plaza, eds. Case-Based Reasoning Research and Development: Proceedings of the Second International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1997.
Riesbeck, Christopher, and Roger Schank. Inside Case-based Reasoning. Northvale, NJ: Erlbaum, 1989.
Veloso, Manuela, and Agnar Aamodt, eds. Case-Based Reasoning Research and Development: Proceedings of the First International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1995.
Watson, Ian. Applying Case-Based Reasoning: Techniques for Enterprise Systems. Morgan Kaufmann, 1997.