Raisonnement basé sur des cas - Case-based reasoning

Le raisonnement basé sur des cas ( RBC ), au sens large, est le processus de résolution de nouveaux problèmes sur la base des solutions de problèmes passés similaires. Un mécanicien automobile qui répare un moteur en rappelant une autre voiture qui présentait des symptômes similaires utilise un raisonnement basé sur des cas. Un avocat qui préconise un résultat particulier dans un procès fondé sur des précédents juridiques ou un juge qui crée une jurisprudence utilise un raisonnement fondé sur le cas. De même, un ingénieur copiant des éléments de travail de la nature (pratiquant le biomimétisme ), traite la nature comme une base de données de solutions aux problèmes. Le raisonnement basé sur des cas est un type important de solution d' analogie .

Il a été avancé que le raisonnement basé sur des cas n'est pas seulement une méthode puissante pour le raisonnement informatique , mais aussi un comportement omniprésent dans la résolution de problèmes humains quotidiens ; ou, plus radicalement, que tout raisonnement est basé sur des cas passés personnellement vécus. Ce point de vue est lié à la théorie des prototypes , qui est plus profondément explorée en sciences cognitives .

Processus

Le raisonnement basé sur des cas a été formalisé aux fins du raisonnement informatique comme un processus en quatre étapes:

  1. Récupérer: étant donné un problème cible, récupérez à partir des cas de mémoire pertinents pour le résoudre. Un cas se compose d'un problème, de sa solution et, généralement, d'annotations sur la façon dont la solution a été dérivée. Par exemple, supposons que Fred veuille préparer des crêpes aux bleuets . En tant que cuisinier novice, l'expérience la plus pertinente dont il se souvienne est celle où il a réussi à préparer des crêpes nature. La procédure qu'il a suivie pour faire les crêpes nature, ainsi que les justifications des décisions prises en cours de route, constitue le cas retrouvé de Fred.
  2. Réutiliser: mappez la solution du cas précédent au problème cible. Cela peut impliquer d'adapter la solution au besoin pour s'adapter à la nouvelle situation. Dans l'exemple des crêpes, Fred doit adapter sa solution récupérée pour inclure l'ajout de myrtilles.
  3. Réviser: après avoir mappé la solution précédente à la situation cible, tester la nouvelle solution dans le monde réel (ou une simulation) et, si nécessaire, réviser. Supposons que Fred ait adapté sa solution de crêpes en ajoutant des myrtilles à la pâte. Après avoir mélangé, il découvre que le frappeur est devenu bleu - un effet indésirable. Cela suggère la révision suivante: retarder l'ajout de myrtilles jusqu'à ce que la pâte ait été versée à la louche dans la poêle.
  4. Conserver: une fois que la solution a été adaptée avec succès au problème cible, stockez l'expérience résultante en tant que nouveau cas en mémoire. Fred, en conséquence, enregistre sa nouvelle procédure pour faire des crêpes aux myrtilles, enrichissant ainsi son ensemble d'expériences stockées et le préparant mieux à de futures demandes de crêpes.

Comparaison avec d'autres méthodes

À première vue, le CBR peut sembler similaire aux algorithmes d' induction de règles de l'apprentissage automatique . Comme un algorithme d'induction de règles, CBR commence par un ensemble de cas ou d'exemples d'entraînement; il forme des généralisations de ces exemples, bien qu'implicites, en identifiant les points communs entre un cas récupéré et le problème cible.

Si, par exemple, une procédure pour des crêpes nature est mappée sur des crêpes aux bleuets, il est décidé d'utiliser la même méthode de base de pâte et de friture, généralisant ainsi implicitement l'ensemble des situations dans lesquelles la méthode de la pâte et de la friture peut être utilisée. La principale différence, cependant, entre la généralisation implicite de la RBC et la généralisation de l'induction de règles réside dans le moment où la généralisation est faite. Un algorithme d'induction de règles tire ses généralisations d'un ensemble d'exemples d'apprentissage avant même que le problème cible ne soit connu; c'est-à-dire qu'il effectue une généralisation avide.

Par exemple, si un algorithme d'induction de règles recevait des recettes de crêpes nature, de crêpes aux pommes hollandaises et de crêpes à la banane comme exemples de formation, il devrait dériver, au moment de la formation, un ensemble de règles générales pour faire tous les types de crêpes. Ce ne serait qu'au moment des essais qu'on lui confierait, par exemple, la tâche de cuire des crêpes aux bleuets. La difficulté pour l'algorithme d'induction de règles est d'anticiper les différentes directions dans lesquelles il devrait tenter de généraliser ses exemples d'apprentissage. Cela contraste avec le CBR, qui retarde la généralisation (implicite) de ses cas jusqu'au moment du test - une stratégie de généralisation paresseuse. Dans l'exemple des crêpes, CBR s'est déjà vu attribuer le problème cible de la cuisson des crêpes aux bleuets; il peut ainsi généraliser ses cas exactement au besoin pour couvrir cette situation. La RBC a donc tendance à être une bonne approche pour les domaines riches et complexes dans lesquels il existe une myriade de façons de généraliser un cas.

En droit, il y a souvent une délégation explicite de la RBC aux tribunaux, reconnaissant les limites des raisons fondées sur des règles: limitation des délais, connaissance limitée du contexte futur, limite de l'accord négocié, etc. Alors que la RBC dans le droit et la RBC inspirée cognitivement ont longtemps été associées, le premier est plus clairement une interpolation du raisonnement et du jugement fondés sur des règles, tandis que le second est plus étroitement lié au rappel et à l'adaptation au processus. La différence est claire dans leur attitude à l'égard de l'erreur et de l'examen en appel.

Critique

Les critiques de la RBC soutiennent que c'est une approche qui accepte les preuves anecdotiques comme son principe de fonctionnement principal. Sans données statistiquement pertinentes pour le soutien et la généralisation implicite, rien ne garantit que la généralisation est correcte. Cependant, tout raisonnement inductif où les données sont trop rares pour une pertinence statistique est intrinsèquement fondé sur des preuves anecdotiques . Des travaux récents développent la RBC dans un cadre statistique et officialisent l'inférence basée sur des cas comme un type spécifique d'inférence probabiliste; ainsi, il devient possible de produire des prédictions basées sur des cas dotés d'un certain niveau de confiance. Une description de la différence entre le CBR et l'induction à partir d'instances est que l'inférence statistique vise à trouver ce qui tend à rendre les cas similaires, tandis que le CBR vise à coder ce qui suffit pour prétendre de la même manière.

L'histoire

CBR trouve ses racines dans le travail de Roger Schank et de ses étudiants à l'Université de Yale au début des années 1980. Le modèle de mémoire dynamique de Schank était à la base des premiers systèmes CBR: CYRUS de Janet Kolodner et IPP de Michael Lebowitz.

D'autres écoles de RBC et de domaines étroitement liés ont émergé dans les années 1980, qui portaient sur des sujets tels que le raisonnement juridique, le raisonnement basé sur la mémoire (une manière de raisonner à partir d'exemples sur des machines massivement parallèles) et les combinaisons de RBC avec d'autres méthodes de raisonnement. Dans les années 1990, l'intérêt pour la RBC s'est développé au niveau international, comme en témoigne la création d'une conférence internationale sur le raisonnement basé sur des cas en 1995, ainsi que des ateliers européens, allemands, britanniques, italiens et autres.

La technologie CBR a permis le déploiement d'un certain nombre de systèmes à succès, le premier étant le CLAVIER de Lockheed, un système de disposition de pièces composites à cuire dans un four à convection industriel. Le CBR a été largement utilisé dans les applications de service d'assistance telles que le système Compaq SMART et a trouvé un domaine d'application majeur dans les sciences de la santé.

Voir également

Références

Lectures complémentaires

  • Aamodt, Agnar et Enric Plaza. " Raisonnement basé sur des cas: problèmes fondamentaux, variations méthodologiques et approches systémiques " Artificial Intelligence Communications 7, no. 1 (1994): 39-52.
  • Althoff, Klaus-Dieter, Ralph Bergmann et L. Karl Branting, éds. Recherche et développement sur le raisonnement basé sur des cas: Actes de la troisième conférence internationale sur le raisonnement basé sur des cas . Berlin: Springer Verlag, 1999.
  • Bergmann, Ralph Experience Management: Fondations, méthodologie de développement et applications Internet . Springer, LNAI 2432,2002.
  • Bergmann, R., Althoff, K.-D., Breen, S., Göker, M., Manago, M., Traphöner, R., et Wess, S. Développer des applications de raisonnement basé sur des cas industriels: la méthodologie INRECA. Springer LNAI 1612, 2003.
  • Kolodner, Janet. Raisonnement basé sur des cas . San Mateo: Morgan Kaufmann, 1993.
  • Leake, David. « RBC en contexte: le présent et l'avenir », In Leake, D., rédacteur en chef, Raisonnement basé sur des cas: expériences, leçons et orientations futures. AAAI Press / MIT Press, 1996, 1-30.
  • Leake, David et Enric Plaza, éds. Recherche et développement sur le raisonnement basé sur des cas: Actes de la deuxième conférence internationale sur le raisonnement basé sur des cas . Berlin: Springer Verlag, 1997.
  • Lenz, Mario; Bartsch-Spörl, Brigitte; Burkhard, Hans-Dieter; Wess, Stefan, éds. (1998). Technologie de raisonnement basée sur des cas: des fondations aux applications . Notes de cours en intelligence artificielle. 1400 . Springer. doi : 10.1007 / 3-540-69351-3 . ISBN   978-3-540-64572-6 .
  • Oxman, Rivka . Precedents in Design: a Computational Model for the Organization of Precedent Knowledge , Design Studies, Vol. 15 n ° 2 p. 141-157
  • Riesbeck, Christopher et Roger Schank. Raisonnement interne basé sur des cas . Northvale, NJ: Erlbaum, 1989.
  • Veloso, Manuela et Agnar Aamodt, éds. Recherche et développement sur le raisonnement basé sur des cas: Actes de la première conférence internationale sur le raisonnement basé sur des cas . Berlin: Springer Verlag, 1995.
  • Watson, Ian. Application du raisonnement basé sur des cas: techniques pour les systèmes d'entreprise . San Francisco: Morgan Kaufmann, 1997.

Liens externes


Une version antérieure de l'article ci-dessus a été publiée sur Nupedia .