Fallbezogenes Denken - Case-based reasoning

Case-based Reasoning ( CBR ) ist im weitesten Sinne der Prozess der Lösung neuer Probleme auf der Grundlage der Lösung ähnlicher Probleme in der Vergangenheit. Ein Automechaniker , der einen behebt Motor durch einen anderen Hinweis auf Auto , dass zeigten ähnliche Symptome Case-Based Reasoning verwenden. Ein Anwalt, der ein bestimmtes Ergebnis in einem auf rechtlichen Präzedenzfällen basierenden Prozess befürwortet, oder ein Richter, der die Rechtsprechung erstellt , verwendet fallbasierte Argumentation. Auch ein Ingenieur , der Arbeitselemente der Natur kopiert ( Biomimikry praktiziert ), behandelt die Natur als Datenbank mit Lösungen für Probleme. Fallbasiertes Denken ist eine herausragende Art der Erstellung von Analogielösungen .

Es wurde argumentiert, dass fallbasiertes Denken nicht nur eine leistungsfähige Methode für das Computerdenken ist , sondern auch ein allgegenwärtiges Verhalten bei der alltäglichen Lösung menschlicher Probleme . oder radikaler gesagt, dass alle Überlegungen auf früheren persönlich erlebten Fällen beruhen. Diese Ansicht bezieht sich auf die Prototypentheorie , die in der Kognitionswissenschaft am tiefsten untersucht wird .

Prozess

Das fallbasierte Denken wurde zum Zwecke des Computer-Denkens als vierstufiger Prozess formalisiert :

  1. Abrufen : Bei einem Zielproblem aus Speicherfällen abrufen, die für die Lösung des Problems relevant sind. Ein Fall besteht aus einem Problem, seiner Lösung und normalerweise Anmerkungen dazu, wie die Lösung abgeleitet wurde. Zum Beispiel möchte suppose Fred Blaubeere vorzubereiten Pfannkuchen . Als Kochanfänger ist die wichtigste Erfahrung, an die er sich erinnern kann, eine, bei der er erfolgreich einfache Pfannkuchen gemacht hat. Das Verfahren, das er für die Herstellung der einfachen Pfannkuchen befolgte, bildet zusammen mit Begründungen für Entscheidungen, die auf dem Weg getroffen wurden, Freds abgerufenen Fall.
  2. Wiederverwendung: Ordnen Sie die Lösung aus dem vorherigen Fall dem Zielproblem zu. Dies kann bedeuten, dass die Lösung nach Bedarf an die neue Situation angepasst wird. Im Pfannkuchenbeispiel muss Fred seine abgerufene Lösung so anpassen, dass Blaubeeren hinzugefügt werden.
  3. Überarbeiten: Nachdem Sie die vorherige Lösung der Zielsituation zugeordnet haben, testen Sie die neue Lösung in der realen Welt (oder in einer Simulation) und überarbeiten Sie sie gegebenenfalls. Angenommen, Fred hat seine Pfannkuchenlösung angepasst, indem er dem Teig Blaubeeren hinzugefügt hat. Nach dem Mischen stellt er fest, dass der Teig blau geworden ist - ein unerwünschter Effekt. Dies deutet auf die folgende Überarbeitung hin: Verzögern Sie die Zugabe von Blaubeeren, bis der Teig in die Pfanne geschöpft wurde.
  4. Beibehalten: Nachdem die Lösung erfolgreich an das Zielproblem angepasst wurde, speichern Sie die resultierende Erfahrung als neuen Fall im Speicher. Fred zeichnet dementsprechend sein neu gefundenes Verfahren zur Herstellung von Blaubeerpfannkuchen auf, wodurch seine gespeicherten Erfahrungen bereichert und er besser auf zukünftige Anforderungen bei der Herstellung von Pfannkuchen vorbereitet wird.

Vergleich mit anderen Methoden

Auf dem ersten Blick kann CBR auf die ähnlich scheint Regelinduktion Algorithmen des maschinellen Lernens . Wie ein Regelinduktionsalgorithmus beginnt CBR mit einer Reihe von Fällen oder Trainingsbeispielen. Es bildet Verallgemeinerungen dieser Beispiele, wenn auch implizite, indem es Gemeinsamkeiten zwischen einem abgerufenen Fall und dem Zielproblem identifiziert.

Wenn beispielsweise ein Verfahren für einfache Pfannkuchen auf Blaubeerpfannkuchen abgebildet wird, wird die Entscheidung getroffen, dasselbe grundlegende Teig- und Bratverfahren zu verwenden, wodurch implizit die Reihe von Situationen verallgemeinert wird, unter denen das Teig- und Bratverfahren verwendet werden kann. Der Hauptunterschied zwischen der impliziten Verallgemeinerung in CBR und der Verallgemeinerung in der Regelinduktion liegt jedoch darin, wann die Verallgemeinerung vorgenommen wird. Ein Regelinduktionsalgorithmus bezieht seine Verallgemeinerungen aus einer Reihe von Trainingsbeispielen, bevor das Zielproblem überhaupt bekannt ist. das heißt, es führt eine eifrige Verallgemeinerung durch.

Wenn beispielsweise ein Regelinduktionsalgorithmus Rezepte für einfache Pfannkuchen, holländische Apfelpfannkuchen und Bananenpfannkuchen als Trainingsbeispiele erhalten würde, müsste er zum Trainingszeitpunkt eine Reihe allgemeiner Regeln für die Herstellung aller Arten von Pfannkuchen ableiten. Erst in der Testzeit würde es beispielsweise die Aufgabe geben, Blaubeerpfannkuchen zu kochen. Die Schwierigkeit für den Regelinduktionsalgorithmus besteht darin, die verschiedenen Richtungen vorwegzunehmen, in die er versuchen sollte, seine Trainingsbeispiele zu verallgemeinern. Dies steht im Gegensatz zu CBR, das die (implizite) Verallgemeinerung seiner Fälle bis zur Testzeit verzögert - eine Strategie der faulen Verallgemeinerung. Im Pfannkuchenbeispiel wurde CBR bereits das Zielproblem beim Kochen von Blaubeerpfannkuchen gegeben. Auf diese Weise kann es seine Fälle genau nach Bedarf verallgemeinern, um diese Situation abzudecken. CBR ist daher in der Regel ein guter Ansatz für umfangreiche, komplexe Bereiche, in denen es unzählige Möglichkeiten gibt, einen Fall zu verallgemeinern.

Im Gesetz gibt es häufig eine explizite Übertragung von CBR an Gerichte, wobei die Grenzen regelbasierter Gründe anerkannt werden: Begrenzung der Verzögerung, begrenzte Kenntnis des zukünftigen Kontextes, Grenze der ausgehandelten Vereinbarung usw. Während CBR im Gesetz und kognitiv inspirierte CBR seit langem in Verbindung gebracht werden, Ersteres ist klarer eine Interpolation von regelbasiertem Denken und Urteilen, während letzteres enger mit dem Abrufen und der Prozessanpassung verbunden ist. Der Unterschied ist deutlich in ihrer Einstellung zu Fehlern und Berufungsverfahren.

Kritik

Kritiker der CBR argumentieren, dass es sich um einen Ansatz handelt, der anekdotische Beweise als Hauptarbeitsprinzip akzeptiert . Ohne statistisch relevante Daten für die Sicherung und implizite Verallgemeinerung gibt es keine Garantie dafür, dass die Verallgemeinerung korrekt ist. Alle induktiven Argumente, bei denen Daten für statistische Relevanz zu knapp sind, basieren jedoch inhärent auf anekdotischen Beweisen . Es gibt neuere Arbeiten, die CBR innerhalb eines statistischen Rahmens entwickeln und fallbasierte Inferenz als eine bestimmte Art probabilistischer Inferenz formalisieren. Auf diese Weise können fallbasierte Vorhersagen erstellt werden, die mit einem bestimmten Maß an Vertrauen ausgestattet sind. Eine Beschreibung des Unterschieds zwischen CBR und Induktion aus Instanzen besteht darin, dass statistische Inferenz darauf abzielt, herauszufinden, was Fälle tendenziell ähnlich macht, während CBR darauf abzielt, das zu codieren, was ausreicht, um ähnliche Behauptungen aufzustellen.

Geschichte

CBR geht auf die Arbeit von Roger Schank und seinen Studenten an der Yale University in den frühen 1980er Jahren zurück. Schanks Modell des dynamischen Gedächtnisses war die Grundlage für die frühesten CBR-Systeme: Janet Kolodners CYRUS und Michael Lebowitzs IPP.

In den 1980er Jahren entstanden andere CBR-Schulen und eng verwandte Bereiche, die sich mit Themen wie rechtliches Denken, gedächtnisbasiertes Denken (eine Argumentationsmethode anhand von Beispielen auf massiv parallelen Maschinen) und Kombinationen von CBR mit anderen Argumentationsmethoden befassten. In den neunziger Jahren wuchs das Interesse an CBR international, wie die Einrichtung einer internationalen Konferenz über fallbasiertes Denken im Jahr 1995 sowie europäischer, deutscher, britischer, italienischer und anderer CBR-Workshops zeigt.

Die CBR-Technologie hat zum Einsatz einer Reihe erfolgreicher Systeme geführt. Das früheste ist Lockheeds CLAVIER, ein System zum Auslegen von Verbundteilen, die in einem industriellen Konvektionsofen gebrannt werden sollen. CBR wurde in Helpdesk- Anwendungen wie dem Compaq SMART-System ausgiebig eingesetzt und hat in den Gesundheitswissenschaften einen wichtigen Anwendungsbereich gefunden.

Siehe auch

Verweise

Weiterführende Literatur

  • Aamodt, Agnar und Enric Plaza. " Fallbasiertes Denken: Grundlegende Probleme, methodische Variationen und Systemansätze " Artificial Intelligence Communications 7, No. 1 (1994): 39–52.
  • Althoff, Klaus-Dieter, Ralph Bergmann und L. Karl Branting, Hrsg. Forschung und Entwicklung zum fallbasierten Denken: Ergebnisse der dritten internationalen Konferenz zum fallbasierten Denken . Berlin: Springer Verlag, 1999.
  • Bergmann, Ralph Experience Management: Grundlagen, Entwicklungsmethodik und internetbasierte Anwendungen . Springer, LNAI 2432,2002.
  • Bergmann, R., Althoff, K.-D., Breen, S., Göker, M., Manago, M., Traphöner, R. und Wess, S. Entwicklung industrieller fallbasierter Argumentationsanwendungen: Die INRECA-Methodik. Springer LNAI 1612, 2003.
  • Kolodner, Janet. Fallbasiertes Denken . San Mateo: Morgan Kaufmann, 1993.
  • Leake, David. " CBR im Kontext: Gegenwart und Zukunft ", In Leake, D., Herausgeber, Case-Based Reasoning: Erfahrungen, Lektionen und zukünftige Richtungen. AAAI Press / MIT Press, 1996, 1-30.
  • Leake, David und Enric Plaza, Hrsg. Forschung und Entwicklung zum fallbasierten Denken: Ergebnisse der zweiten internationalen Konferenz zum fallbasierten Denken . Berlin: Springer Verlag, 1997.
  • Lenz, Mario; Bartsch-Spörl, Brigitte; Burkhard, Hans-Dieter; Wess, Stefan, Hrsg. (1998). Case-Based Reasoning-Technologie: Von der Grundlage zur Anwendung . Vorlesungsunterlagen in Künstlicher Intelligenz. 1400 . Springer. doi : 10.1007 / 3-540-69351-3 . ISBN   978-3-540-64572-6 .
  • Oxman, Rivka . Präzedenzfälle im Design: ein Computermodell für die Organisation von Präzedenzfällen , Design Studies, Vol. 3, No. 15 Nr. 2, S. 141–157
  • Riesbeck, Christopher und Roger Schank. Inside Case-based Reasoning . Northvale, NJ: Erlbaum, 1989.
  • Veloso, Manuela und Agnar Aamodt, Hrsg. Forschung und Entwicklung zum fallbasierten Denken: Ergebnisse der ersten internationalen Konferenz zum fallbasierten Denken . Berlin: Springer Verlag, 1995.
  • Watson, Ian. Anwenden von fallbasiertem Denken: Techniken für Unternehmenssysteme . San Francisco: Morgan Kaufmann, 1997.

Externe Links

Eine frühere Version des obigen Artikels wurde auf Nupedia veröffentlicht .