Raciocínio baseado em casos

Brief version, AmE
by Andrew R. Golding

Case-based reasoning, broadly construed, is the process of solving new problems based on the solutions of similar past problems. An auto mechanic who fixes an engine by recalling another car that exhibited similar symptoms is using case-based reasoning. A lawyer who advocates a particular outcome in a trial based on legal precedents is using case-based reasoning. It has been argued that case-based reasoning is not only a powerful method for computer reasoning, but also a pervasive behavior in everyday human problem solving.

Versão breve
Tradução: Daniel Martineschen

Raciocínio Baseado em Casos, de maneira geral, é o processo de resolver novos problemas tomando como base soluções de problemas similares já superados. Um mecânico de automóvel que conserta um motor por se lembrar de outro automóvel que tenha exibido sintomas similares usa o raciocínio baseado em casos. Um advogado que advoga uma situação particular em um julgamento se baseando em precedentes legais usa o raciocínio baseado em casos. Tem-se provado que esse raciocínio não é somente um método poderoso para raciocínio computacional, mas também um comportamento comum na solução dos problemas humanos do dia-a-dia.

Case-based reasoning (CBR) has been formalized as a four-step process:

Raciocínio baseado em casos (RBC) costuma ser formalizado como um processo composto por quatro partes:

Nota sobre a divisão em 4 partes:

Agnar Aamodt and Enric Plaza, "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches ", Artificial Intelligence Communications 7 (1994): 1, 39-52.')

1. Retrieve: Given a target problem, retrieve cases from memory that are relevant to solving it. A case consists of a problem, its solution, and, typically, annotations about how the solution was derived. For example, suppose Fred wants to prepare blueberry pancakes. Being a novice cook, the most relevant experience he can recall is one in which he successfully made plain pancakes. The procedure he followed for making the plain pancakes, together with justifications for decisions made along the way, constitutes Fred's retrieved case.

2. Reuse: Map the solution from the previous case to the target problem. This may involve adapting the solution as needed to fit the new situation. In the pancake example, Fred must adapt his retrieved solution to include the addition of blueberries.

3. Revise: Having mapped the previous solution to the target situation, test the new solution in the real world (or a simulation) and, if necessary, revise. Suppose Fred adapted his pancake solution by adding blueberries to the batter. After mixing, he discovers that the batter has turned blue -- an undesired effect. This suggests the following revision: delay the addition of blueberries until after the batter has been ladled into the pan.

4. Retain: After the solution has been successfully adapted to the target problem, store the resulting experience as a new case in memory. Fred, accordingly, records his newfound procedure for making blueberry pancakes, thereby enriching his set of stored experiences, and better preparing him for future pancake-making demands.

1. Recuperação: Dado um problema-alvo, recuperar da memória casos que são relevantes para resolvê-lo. Um caso consiste de um problema, sua solução e, normalmente, anotações sobre como chegar na solução. Por exemplo, suponhamos que Fred quer preparar panquecas de amora. Como é um cozinheiro novato, a experiência mais relevante que lembra é uma em que conseguiu com sucesso fazer panquecas simples. O procedimento que seguiu para fazer tais panquecas, juntamente com justificações feitas ao longo da preparação, constitui a recuperação de caso de Fred.

2. Reutilização: Mapear a solução do caso anterior para o problema-alvo. Isto pode exigir adaptação da solução para que sirva para a nova situação. No exemplo da panqueca, Fred deve adaptar sua solução relembrada para a inclusão de amoras.

3. Revisão: Tendo mapeado a solução anterior para a situação-alvo, testar a solução no mundo real (ou numa simulação) e, se necessário, revisá-la. Suponhamos que Fred adaptou sua solução para o caso da panqueca adicionando amoras na batedeira. Depois de misturar, ele descobre que a batedeira ficou azul, um resultado indesejável. Isto sugere a seguinte revisão: esperar para adicionar as amoras depois que a massa já tenha sido despejada na frigideira.

4. Fixação: Depois que a solução foi adaptada com êxito para o problema-alvo, guardar a experiência resultante na memória como um novo caso. Fred, conseqüentemente, memoriza seu novo procedimento para fazer panquecas de amoras, desse modo enriquecendo seu conjunto de experiências passadas e o preparando melhor para futuras exigências no preparo de panquecas.

At first glance, CBR may seem similar to the rule-induction algorithms of machine learning.

À primeira vista, o RBC pode parecer similar a algoritmos de indução de regras usados em aprendizado de máquinas.

Nota sobre algoritmos de indução de regras:

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. tradução

Algoritmos de indução de regras são procedimentos para aprender regras de um dado conceito fazendo generalização a partir de exemplos de tal conceito. Por exemplo, um algoritmo de indução de regras pode aprender regras para formar o plural dos substantivos da língua inglesa a partir de exemplos como dog/dogs, fly/flies e ray/rays.

Like a rule-induction algorithm, CBR starts with a set of cases or training examples; it forms generalizations of these examples, albeit implicit ones, by identifying commonalities between a retrieved case and the target problem. For instance, when Fred mapped his procedure for plain pancakes to blueberry pancakes, he decided to use the same basic batter and frying method, thus implicitly generalizing the set of situations under which the batter and frying method can be used. The key difference, however, between the implicit generalization in CBR and the generalization in rule induction lies in when the generalization is made. A rule-induction algorithm draws its generalizations from a set of training examples before the target problem is even known; that is, it performs eager generalization. For instance, if a rule-induction algorithm were given recipes for plain pancakes, Dutch apple pancakes, and banana pancakes as its training examples, it would have to derive, at training time, a set of general rules for making all types of pancakes. It would not be until testing time that it would be given, say, the task of cooking blueberry pancakes. The difficulty for the rule-induction algorithm is in anticipating the different directions in which it should attempt to generalize its training examples. This is in contrast to CBR, which delays (implicit) generalization of its cases until testing time -- a strategy of lazy generalization. In the pancake example, CBR has already been given the target problem of cooking blueberry pancakes; thus it can generalize its cases exactly as needed to cover this situation. CBR therefore tends to be a good approach for rich, complex domains in which there are myriad ways to generalize a case.

Como um algoritmo de indução de regras, o RBC começa com um conjunto de casos ou exemplos para treinamento; ele faz generalizações implícitas desses exemplos, identificando características comuns ao caso recuperado e o problema-alvo. Por exemplo, quando Fred mapeou seu processo de panquecas simples para panquecas de amoras ele decidiu usar o mesmo método básico de bater e de fritar, assim generalizando implicitamente o conjunto de situações sob as quais o método de bater e de fritar pode ser usado. Porém, a diferença-chave, entre a generalização implícita do RBC e a generalização de indução de regras está em quando a generalização é feita. Um algoritmo de indução de regras faz suas generalizações a partir de um conjunto de exemplos de treinamento antes mesmo de o problema-alvo ser conhecido; isto é, o algoritmo executa uma generalização ambiciosa. Por exemplo, se forem dadas receitas de panquecas simples, de panquecas de maçã holandesa e de paquecas de banana, o agoritmo de indução de regras teria de derivar, durante o treinamento, um conjunto de regras gerais para fazer qualquer tipo de panqueca. Não estaria na hora de testar até que lhe fosse dada a tarefa de fazer panquecas de amora. A dificuldade que o algoritmo de indução de regras encontra é de antecipar as diferentes direções que ele deve tentar seguir para generalizar seus exemplos de treinamento. Nisto o algoritmo contrasta com o RBC, que atrasa (implicitamente) a generalização dos casos até testá-los --- uma estratégia de generalização preguiçosa. No exemplo das panquecas, o problema de fazer panquecas de amoras já foi proposto ao RBC; logo, ele pode generalizar seus casos precisamente para cobrir esta situação. Por isso, o RBC tende a ser uma boa abordagem para domínios ricos e complexos em que há uma miríade de modos de generalizar um caso.

CBR traces its roots to the work of Roger Schank and his students at Yale University in the early 1980s. Schank's model of dynamic memory was the basis for the earliest CBR systems: Janet Kolodner's CYRUS and Michael Lebowitz's IPP. Other schools of CBR and closely allied fields emerged in the 1980s, investigating such topics as CBR in legal reasoning, memory-based reasoning (a way of reasoning from examples on massively parallel machines), and combinations of CBR with other reasoning methods. In the 1990s, interest in CBR grew in the international community, as evidenced by the establishment of an International Conference on Case-Based Reasoning in 1995, as well as European, German, British, Italian, and other CBR workshops. CBR technology has produced a number of successful deployed systems, the earliest being Lockheed's CLAVIER, a system for laying out composite parts to be baked in an industrial convection oven. CBR has been used extensively in help-desk applications such as the Compaq SMART system.

As raízes do RBC se remetem ao trabalho de Roger Schank e seus estudantes na Universidade de Yale, no começo da década de 80. O modelo de memória dinâmica de Schank foi a base para os primeiros sistemas de RBC: CYRUS, de Janet Kolodner, e IPP, de Michael Lebowitz. Outras escolas de RBC e campos fortemente aliados emergiram na década de 80, investigando tópicos como RBC no raciocínio legal, raciocínio baseado em memória (uma maneira de raciocínio a partir de exemplos, aplicada massivamente em máquinas paralelas), e combinações de RBC com outros métodos de raciocínio. Na década de 90, o interesse em RBC cresceu na comunidade internacional, quando foi evidenciado pela realização de uma Conferência Internacional em Raciocínio Baseado em Caso em 1995, assim como workshops de RBC Europeus, Alemães, Britânicos, Italianos, entre outros. A tecnologia RBC permitiu o desenvolvimento de alguns bem-sucedidos sistemas, sendo o primeiro o CLAVIER, de Lockheed, um sistema para organizar partes de compostos para serem assadas num forno de convecção industrial. RBC tem sido usado também extensivamente em aplicações de ajuda, como o sistema Compaq SMART.

Nota sobre o modelo de memória dinâmica de Schank:

Roger Schank, Dynamic Memory: A Theory of Learning in Computers and People (New York: Cambridge University Press, 1982).

Nota sobre CYRUS:

Janet Kolodner, "Reconstructive Memory: A Computer Model," Cognitive Science 7 (1983): 4. Nota sobre IPP de Lebowitz:

Michael Lebowitz, "Memory-Based Parsing," Artificial Intelligence 21 (1983), 363-404. Nota sobre o sistema CLAVIER de Lockheed:

Bill Mark, "Case-Based Reasoning for Autoclave Management," Proceedings of the Case-Based Reasoning Workshop (1989).

Nota sobre o sistema Compaq SMART

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.

As of this writing, a number of CBR decision support tools are commercially available, including k-Commerce from eGain (formerly Inference Corporation) and Kaidara Advisor from Kaidara (formerly AcknoSoft).

A partir da data deste artigo algumas ferramentas de suporte de decisão serão comercializadas, entre elas o k-Commercede eGain (antiga Inference Corporation) e Kaidara Advisor de Kaidara (antiga AcknoSoft).

For Further Reading

Para Saber Mais

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, 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.

Posted 2001-02-28; reviewed and approved by the Computers group; editor, Michael Witbrock ; lead reviewer, Michael Witbrock ; lead copyeditors, Cindy Seeley . and Larry Sanger . For citation purposes, please use the following (stable) URL: www.nupedia.com/article/465/