En inteligencia artificial y filosofía [ se necesita verificación ] , el razonamiento basado en casos ( CBR ), interpretado de manera amplia, es el proceso de resolver nuevos problemas basados en las soluciones de problemas pasados similares. [1] [2]
En la vida cotidiana, un mecánico de automóviles que repara un motor retirando del mercado otro automóvil que presenta 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 el razonamiento basado en casos. Así también, un ingeniero que copia elementos funcionales de la naturaleza (practicando el biomimetismo ) está tratando la naturaleza como una base de datos de soluciones a problemas. El razonamiento basado en casos es un tipo destacado de toma de soluciones por analogía .
Se ha argumentado [ ¿por quién? ] que el razonamiento basado en casos no es sólo un método poderoso para el razonamiento informático , sino también un comportamiento omnipresente 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 .
El razonamiento basado en casos se ha formalizado [ se necesita aclaración ] para fines de razonamiento informático como un proceso de cuatro pasos: [3]
A primera vista, CBR puede parecer similar a los algoritmos de inducción de reglas [nota 1] 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 implícitas, al identificar puntos en común entre un caso recuperado y el problema objetivo. [4]
Si, por ejemplo, se aplica un procedimiento para panqueques simples a panqueques de arándanos, se toma la decisión de utilizar el mismo método básico de rebozado y fritura, generalizando así implícitamente el conjunto de situaciones en las que se puede utilizar 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 incluso antes de que se conozca el problema objetivo; es decir, realiza una generalización entusiasta.
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 todo tipo de panqueques. No sería hasta el momento de las pruebas cuando se le encargaría, digamos, la tarea de cocinar tortitas 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 la 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 asignado 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, la RBC tiende a ser un buen enfoque para dominios ricos y complejos en los que hay innumerables maneras de generalizar un caso.
En la ley, a menudo hay una delegación explícita de la RBC a los tribunales, reconociendo los límites de las razones basadas en reglas: limitar la demora, conocimiento limitado del contexto futuro, límite del acuerdo negociado, etc. Si bien la RBC en la ley y la RBC de inspiración cognitiva han estado asociadas desde hace mucho tiempo, el primero es más claramente una interpolación de razonamiento y juicio basado en reglas, mientras que el segundo está más estrechamente vinculado al recuerdo y la adaptación del proceso. La diferencia es clara en su actitud hacia el error y la revisión en apelación.
Otro nombre para el razonamiento basado en casos en la resolución de problemas es estrategias sintomáticas. Requiere conocimiento de dominio a priori que se obtiene de experiencias pasadas que establecieron conexiones entre síntomas y causas. Este conocimiento se denomina conocimiento superficial, compilado, probatorio, basado en la historia y basado en casos. Esta es la estrategia más asociada al diagnóstico por los expertos. El diagnóstico de un problema se produce como un proceso rápido de reconocimiento en el que los síntomas evocan categorías de situación apropiadas. [5] Un experto conoce la causa en virtud de haber encontrado previamente casos similares. El razonamiento basado en casos es la estrategia más poderosa y la que se utiliza con mayor frecuencia. Sin embargo, la estrategia no funcionará de forma independiente con problemas verdaderamente novedosos o cuando se busque una comprensión más profunda de lo que está sucediendo.
Un enfoque alternativo para la resolución de problemas es la estrategia topográfica que cae en la categoría de razonamiento profundo. Con el razonamiento profundo se utiliza un conocimiento profundo de un sistema. Topografía en este contexto significa una descripción o un análisis de una entidad estructurada, que muestra las relaciones entre sus elementos. [6]
También conocido como razonamiento a partir de primeros principios, [7] el razonamiento profundo se aplica a fallos nuevos cuando los enfoques basados en la experiencia no son viables. Por lo tanto, la estrategia topográfica está vinculada al conocimiento de dominio a priori que se desarrolla a partir de una comprensión más fundamental de un sistema, posiblemente utilizando conocimientos de primeros principios. Este tipo de conocimiento se denomina conocimiento profundo, causal o basado en modelos. [8] Hoc y Carlier [9] señalaron que los enfoques sintomáticos pueden necesitar estar respaldados por enfoques topográficos porque los síntomas pueden definirse en diversos términos. Lo contrario también es cierto: el razonamiento superficial se puede utilizar de manera abductiva para generar hipótesis causales y deductivamente para evaluar esas hipótesis en una búsqueda topográfica.
Críticos de CBR [ ¿quién? ] sostienen que es un enfoque que acepta la evidencia anecdótica como su principal principio operativo. Sin datos estadísticamente relevantes para respaldar y una 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 evidencia anecdótica.
CBR tiene sus raíces en el trabajo de Roger Schank y sus estudiantes en la Universidad de Yale a principios de los años 1980. El modelo de memoria dinámica de Schank [10] fue la base de los primeros sistemas CBR: CYRUS [11] de Janet Kolodner y IPP de Michael Lebowitz. [12]
En la década de 1980 surgieron otras escuelas de CBR y campos estrechamente afines, que se dirigieron a temas como el razonamiento jurídico, 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 RBC creció a nivel internacional, como lo demuestra el establecimiento de una Conferencia Internacional sobre Razonamiento Basado en Casos en 1995, así como talleres de RBC europeos, alemanes, británicos, italianos y otros [ ¿cuáles? ] .
La tecnología CBR ha dado lugar al despliegue de varios sistemas exitosos, el primero de los cuales fue CLAVIER de Lockheed, [13] un sistema para disponer piezas compuestas que se hornearán en un horno de convección industrial. CBR se ha utilizado ampliamente en aplicaciones como el sistema Compaq SMART [14] y ha encontrado un área de aplicación importante en las ciencias de la salud, [15] así como en la gestión de la seguridad estructural.
Hay trabajos recientes [ ¿cuáles? ] [ ¿ cuando? ] que desarrolla la RBC 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 dotadas de un cierto nivel de confianza. [16] Una descripción de la diferencia entre CBR e inducción a partir de instancias es que la inferencia estadística tiene como objetivo encontrar qué tiende a hacer que los casos sean similares, mientras que CBR apunta a codificar lo que es suficiente para afirmar de manera similar. [17] [ se necesita cita completa ]
Se publicó una versión anterior del artículo anterior en Nupedia .