Razonamiento basado en casos

Modelos de memoria CBR, de arriba abajo: memoria de categorías, memoria simple y memoria dinámica.

El razonamiento basado en casos ( RBC ), en sentido amplio, es el proceso de resolver nuevos problemas basándose en las soluciones de problemas anteriores similares. ^{[ 1 ] [ 2 ]}

En la vida cotidiana, un mecánico que repara un motor comparando su funcionamiento con el de otro coche que presentaba síntomas similares utiliza el razonamiento basado en casos. Un abogado que defiende un resultado concreto en un juicio basándose en precedentes legales , o un juez que crea jurisprudencia, también lo hace. Del mismo modo, un ingeniero que imita elementos de la naturaleza (practicando la biomimética ) trata la naturaleza como una base de datos de soluciones a problemas. El razonamiento basado en casos es un tipo destacado de búsqueda de soluciones por analogía .

Se ha argumentado que el razonamiento basado en casos no solo es un método poderoso para el razonamiento computacional , sino también un comportamiento generalizado en la resolución de problemas cotidianos ; o, de forma más radical, que todo razonamiento se basa en casos pasados ​​experimentados personalmente. Esta perspectiva está relacionada con la teoría de prototipos , que se explora con mayor profundidad en la ciencia cognitiva .

El razonamiento basado en casos se ha formalizado para fines de razonamiento computacional como un proceso de cuatro pasos: ^{[ 3 ]}

1. Recuperación: Dado un problema objetivo, recupera de la memoria los casos relevantes para resolverlo. Un caso consta de un problema, su solución y, por lo general, anotaciones sobre cómo se obtuvo la solución. Por ejemplo, supongamos que Fred quiere preparar panqueques de arándanos . Siendo un cocinero principiante, la experiencia más relevante que recuerda es una en la que preparó con éxito panqueques simples. El procedimiento que siguió para hacer los panqueques simples, junto con las justificaciones de las decisiones tomadas durante el proceso, constituye el caso recuperado por Fred.
2. Reutilización: Aplique la solución del caso anterior al problema actual. Esto puede implicar adaptar la solución según sea necesario para que se ajuste a la nueva situación. En el ejemplo de los panqueques, Fred debe adaptar la solución obtenida para incluir la adición de arándanos.
3. Revisión: Una vez que haya adaptado la solución anterior a la situación objetivo, pruebe la nueva solución en el mundo real (o en una simulación) y, si es necesario, revísela. Supongamos que Fred adaptó su receta de panqueques agregando arándanos a la masa. Después de mezclar, descubre que la masa se ha vuelto azul, un efecto indeseado. Esto sugiere la siguiente revisión: retrasar la adición de los arándanos hasta después de haber vertido la masa en la sartén.
4. Retención: Una vez que la solución se ha adaptado con éxito al problema objetivo, se almacena la experiencia resultante como un nuevo caso en la memoria. Por consiguiente, Fred registra su nuevo procedimiento para preparar panqueques de arándanos, enriqueciendo así su conjunto de experiencias almacenadas y preparándolo mejor para futuras tareas de elaboración de panqueques.

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 similitudes entre un caso recuperado y el problema objetivo. ^{[ 4 ]}

Si, por ejemplo, un procedimiento para hacer panqueques simples se aplica a panqueques de arándanos, se decide usar la misma masa y método de fritura básicos, generalizando así implícitamente el conjunto de situaciones en las que se pueden usar la masa y el método de fritura. Sin embargo, la diferencia clave entre la generalización implícita en el razonamiento basado en casos (CBR) y la generalización en la inducción de reglas radica en el momento en que se realiza la generalización. Un algoritmo de inducción de reglas extrae sus generalizaciones de un conjunto de ejemplos de entrenamiento antes incluso de conocer el problema objetivo; es decir, realiza una generalización anticipada.

Por ejemplo, si a un algoritmo de inducción de reglas se le proporcionaran recetas de panqueques simples, panqueques de manzana holandeses y panqueques de plátano como ejemplos de entrenamiento, tendría que derivar, durante el entrenamiento, un conjunto de reglas generales para preparar todos los tipos de panqueques. No sería hasta la fase de prueba que se le daría, por ejemplo, la tarea de preparar panqueques de arándanos. La dificultad para el algoritmo de inducción de reglas radica en anticipar las diferentes direcciones en las que debería intentar generalizar sus ejemplos de entrenamiento. Esto contrasta con el razonamiento basado en casos (CBR), que retrasa la generalización (implícita) de sus casos hasta la fase de prueba, una estrategia de generalización perezosa. En el ejemplo de los panqueques, al CBR ya se le ha proporcionado el problema objetivo de preparar panqueques de arándanos; por lo tanto, puede generalizar sus casos exactamente como sea necesario para cubrir esta situación. Por consiguiente, el CBR tiende a ser un buen enfoque para dominios ricos y complejos en los que existen innumerables maneras de generalizar un caso.

En derecho, a menudo se delega explícitamente el razonamiento basado en reglas (RBR) a los tribunales, reconociendo las limitaciones de este tipo de razonamiento: limitación de la demora, conocimiento limitado del contexto futuro, límites del acuerdo negociado, etc. Si bien el RBR en derecho y el RBR de inspiración cognitiva se han asociado durante mucho tiempo, el primero es más claramente una interpolación del razonamiento basado en reglas y el juicio, mientras que el segundo está más estrechamente vinculado al recuerdo y la adaptación de procesos. La diferencia es clara en su enfoque respecto al error y la revisión en apelación.

Otro nombre para el razonamiento basado en casos en la resolución de problemas es estrategias sintomáticas. Requiere conocimiento previo del dominio, obtenido a partir de la experiencia pasada, que establece conexiones entre síntomas y causas. Este conocimiento se denomina conocimiento superficial, compilado, basado en evidencias, basado en la historia y también basado en casos. Esta es la estrategia más asociada con el diagnóstico por parte de expertos. El diagnóstico de un problema se produce como un proceso de reconocimiento rápido en el que los síntomas evocan categorías de situaciones 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 más utilizada. 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 ocurriendo.

Un enfoque alternativo para la resolución de problemas es la estrategia topográfica, que se enmarca dentro del razonamiento profundo. En el razonamiento profundo, se utiliza un conocimiento exhaustivo del sistema. En este contexto, 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 primeros principios, ^{[ 7 ]} el razonamiento profundo se aplica a fallas novedosas cuando los enfoques basados ​​en la experiencia no son viables. La estrategia topográfica está, por lo tanto, vinculada al conocimiento de dominio a priori que se desarrolla a partir de una comprensión más fundamental de un sistema, posiblemente utilizando conocimiento de primeros principios. Dicho conocimiento se denomina conocimiento profundo, causal o basado en modelos. ^{[ 8 ]} Hoc y Carlier ^{[ 9 ]} señalaron que los enfoques sintomáticos pueden necesitar el apoyo de enfoques topográficos porque los síntomas pueden definirse en diversos términos. Lo contrario también es cierto: el razonamiento superficial puede utilizarse abductivamente para generar hipótesis causales y deductivamente para evaluar esas hipótesis, en una búsqueda topográfica.

Los críticos del razonamiento basado en casos (RBC) argumentan que se trata de un enfoque que acepta la evidencia anecdótica como su principio operativo principal. Sin datos estadísticamente relevantes que respalden y permitan una generalización implícita, no hay garantía de que la generalización sea correcta. Sin embargo, todo razonamiento inductivo donde 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 la década de 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 (RBC) y campos estrechamente relacionados, que se centraron en temas como el razonamiento jurídico, el razonamiento basado en la memoria (una forma de razonar a partir de ejemplos en máquinas de procesamiento paralelo masivo) y combinaciones de RBC con otros métodos de razonamiento. En la década de 1990, el interés por el RBC creció a nivel internacional, como lo demuestra la creación de una Conferencia Internacional sobre Razonamiento Basado en Casos en 1995, así como talleres de RBC europeos, alemanes, británicos, italianos y de otros países .

La tecnología CBR ha dado lugar al desarrollo de varios sistemas exitosos, siendo el primero de ellos el CLAVIER de Lockheed, ^{[ 13 ]} un sistema para la disposición de piezas compuestas destinadas al horneado en un horno de convección industrial. La tecnología CBR se ha utilizado ampliamente en aplicaciones como el sistema Compaq SMART ^{[ 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.

Recientemente se ha desarrollado el CBR dentro de un marco estadístico y se formaliza la inferencia basada en casos como un tipo específico de inferencia probabilística. De este modo, es posible generar predicciones basadas en casos con un cierto nivel de confianza. ^{[ 16 ]} Una descripción de la diferencia entre el CBR y la inducción a partir de instancias es que la inferencia estadística busca encontrar lo que tiende a hacer que los casos sean similares, mientras que el CBR busca codificar lo que basta para afirmar que son similares. ^{[ 17 ]}

• alineación de IA
• Software de detección de inteligencia artificial
• razonamiento abductivo
• Prueba del pato
• Lo reconozco cuando lo veo.
• razonamiento de sentido común
• Omisión intencionada
• Árbol de decisión
• Algoritmo genético
• Coincidencia de patrones
• Analogía
• Línea K (inteligencia artificial)
• Reglas de Ripple Down
• Casuística
• heurística de similitud

• Aamodt, Agnar y Enric Plaza. " Razonamiento basado en casos: cuestiones fundamentales, variaciones metodológicas y enfoques de sistemas " Artificial Intelligence Communications 7, n.º 1 (1994): 39–52.
• Althoff, Klaus-Dieter, Ralph Bergmann y L. Karl Branting (eds.). Investigación y desarrollo del razonamiento basado en casos: Actas de la Tercera Conferencia Internacional sobre Razonamiento Basado en Casos . Berlín: Springer Verlag, 1999.
• Bergmann, Ralph. Gestión de la experiencia: fundamentos, metodología de desarrollo y aplicaciones basadas en Internet . Springer, LNAI 2432, 2002.
• Bergmann, R., Althoff, K.-D., Breen, S., Göker, M., Manago, M., Traphöner, R. y Wess, S. Desarrollo de aplicaciones industriales de razonamiento basado en casos: La metodología INRECA. Springer LNAI 1612, 2003.
• Kolodner, Janet. Razonamiento basado en casos . San Mateo: Morgan Kaufmann, 1993.
• Leake, David. " Razonamiento basado en casos en contexto: presente y futuro ", en Leake, D., editor, Razonamiento basado en casos: experiencias, lecciones y direcciones futuras. AAAI Press/MIT Press, 1996, 1-30.
• Leake, David y Enric Plaza (eds.). Investigación y desarrollo del razonamiento basado en casos: Actas de la Segunda Conferencia Internacional sobre Razonamiento Basado en Casos . Berlín: Springer Verlag, 1997.
• Lenz, Mario; Bartsch-Spörl, Brigitte; Burkhard, Hans-Dieter; Wess, Stefan, eds. (1998). Tecnología de razonamiento basado en casos: de los fundamentos a las aplicaciones . Lecture Notes in Artificial Intelligence. Vol.  1400. Springer. doi : 10.1007/3-540-69351-3 . ISBN 978-3-540-64572-6. S2CID 10517603 . 
• Oxman, Rivka . Precedentes en el diseño: un modelo computacional para la organización del conocimiento de precedentes , Design Studies, vol. 15, n.º 2, págs.  141-157 .
• Riesbeck, Christopher y Roger Schank. Inside Case-based Reasoning . Northvale, NJ: Erlbaum, 1989.
• Veloso, Manuela y Agnar Aamodt (eds.). Investigación y desarrollo del razonamiento basado en casos: Actas de la Primera Conferencia Internacional sobre Razonamiento Basado en Casos . Berlín: Springer Verlag, 1995.
• Watson, Ian. Aplicación del razonamiento basado en casos: técnicas para sistemas empresariales . San Francisco: Morgan Kaufmann, 1997. https://a.co/d/g84Vai9

• GAIA – Grupo de Aplicaciones de Inteligencia Artificial

Una versión anterior del artículo mencionado se publicó en Nupedia .