En inteligencia artificial y filosofía [ se necesita verificación ] , el razonamiento basado en casos ( RBC ), en sentido amplio, es el proceso de resolver nuevos problemas basándose en las soluciones de problemas pasados similares. [1] [2]
En la vida cotidiana, un mecánico de automóviles que repara un motor llamando a revisión a otro automóvil que presentaba síntomas similares está utilizando el razonamiento basado en casos. Un abogado que defiende un resultado particular en un juicio basándose en precedentes legales o un juez que crea jurisprudencia está utilizando el razonamiento basado en casos. Del mismo modo, 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 los problemas. El razonamiento basado en casos es un tipo destacado de elaboración de soluciones por analogía .
Se ha argumentado [ ¿quién lo ha hecho? ] que el razonamiento basado en casos no sólo es un método poderoso para el razonamiento informático , sino también una conducta omnipresente en la resolución de problemas humanos cotidianos ; o, más radicalmente, que todo razonamiento se basa en casos pasados experimentados personalmente. Esta visión está relacionada con la teoría de prototipos , que se explora más profundamente en la ciencia cognitiva .
El razonamiento basado en casos se ha formalizado [ aclaración necesaria ] 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 sean implícitas, al identificar puntos en común entre un caso recuperado y el problema objetivo. [4]
Si, por ejemplo, se asigna 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 realiza la generalización. Un algoritmo de inducción de reglas extrae sus generalizaciones de un conjunto de ejemplos de entrenamiento antes de que se conozca siquiera el problema objetivo; es decir, realiza una generalización entusiasta.
Por ejemplo, si a un algoritmo de inducción de reglas se le dieran como ejemplos de entrenamiento recetas de panqueques simples, panqueques holandeses de manzana y panqueques de plátano, 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, por ejemplo, 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 como 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 una miríada de formas de generalizar un caso.
En derecho, suele haber una delegación explícita de la responsabilidad penal basada en reglas a los tribunales, reconociendo los límites de las razones basadas en reglas: limitación de la demora, conocimiento limitado del contexto futuro, límite del acuerdo negociado, etc. Si bien la responsabilidad penal basada en reglas en derecho y la responsabilidad penal basada en reglas de inspiración cognitiva han estado asociadas durante mucho tiempo, la primera es más claramente una interpolación del razonamiento basado en reglas y el juicio, mientras que la segunda está más estrechamente vinculada a la revocación 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 un conocimiento a priori del dominio que se obtiene de la experiencia pasada que estableció conexiones entre los síntomas y las causas. Este conocimiento se conoce como conocimiento superficial, compilado, evidencial, basado en la historia, así como conocimiento basado en casos. Esta es la estrategia más asociada con el diagnóstico por parte de los expertos. El diagnóstico de un problema se produce como un proceso de reconocimiento rápido 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 usa con más frecuencia. Sin embargo, la estrategia no funcionará de forma independiente con problemas verdaderamente nuevos o cuando se busca una comprensión más profunda de lo que está sucediendo.
Un enfoque alternativo para la resolución de problemas es la estrategia topográfica, que se enmarca en la categoría de razonamiento profundo. En este último caso, se utiliza un conocimiento profundo de un sistema. En este contexto, la topografía 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 los primeros principios, [7] el razonamiento profundo se aplica a fallas nuevas cuando los enfoques basados en la experiencia no son viables. Por lo tanto, la estrategia topográfica está vinculada al conocimiento del dominio a priori que se desarrolla a partir de una comprensión más fundamental de un sistema, posiblemente utilizando el conocimiento de los primeros principios. Tal conocimiento se conoce como conocimiento profundo, causal o basado en modelos. [8] Hoc y Carlier [9] señalaron que los enfoques sintomáticos pueden necesitar ser respaldados por enfoques topográficos porque los síntomas se pueden definir en diversos términos. Lo inverso también es cierto: el razonamiento superficial se puede utilizar de forma abductiva para generar hipótesis causales y de forma deductiva para evaluar esas hipótesis en una búsqueda topográfica.
Los críticos de la teoría de la relatividad general (¿ quiénes? ) sostienen que se trata de un enfoque que acepta la evidencia anecdótica como su principio operativo principal. Sin datos estadísticamente relevantes que la respalden 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.
El 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 de Janet Kolodner [11] e IPP de Michael Lebowitz. [12]
En la década de 1980 surgieron otras escuelas de razonamiento basado en casos y campos estrechamente relacionados que se centraban en 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 razonamiento basado en casos con otros métodos de razonamiento. En la década de 1990, el interés en el razonamiento basado en casos creció a nivel internacional, como lo demuestra el establecimiento de una Conferencia Internacional sobre Razonamiento Basado en Casos en 1995, así como talleres sobre razonamiento basado en casos europeos, alemanes, británicos, italianos y otros [ ¿cuáles? ] .
La tecnología CBR ha dado lugar a la implantación de una serie de sistemas de gran éxito, siendo el primero de ellos el CLAVIER de Lockheed [13], un sistema para preparar piezas de materiales compuestos para su cocción en un horno de convección industrial. El CBR se ha utilizado ampliamente en aplicaciones como el sistema SMART de Compaq [14] y ha encontrado un importante campo de aplicación en las ciencias de la salud [15] , así como en la gestión de la seguridad estructural.
Hay trabajos recientes [ ¿cuál? ] [ ¿cuándo? ] que desarrollan la CBR dentro de un marco estadístico y formalizan la inferencia basada en casos como un tipo específico de inferencia probabilística. De este modo, se hace posible producir predicciones basadas en casos equipadas con un cierto nivel de confianza. [16] Una descripción de la diferencia entre la 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 la CBR tiene como objetivo codificar lo que es suficiente para afirmar que son similares. [17] [ cita completa necesaria ]
Una versión anterior del artículo anterior fue publicada en Nupedia .