Рассуждение на основе прецедентов

Модели памяти CBR, сверху вниз: категорийная память, простая память и динамическая память.

В искусственном интеллекте и философии Прецедентное рассуждение ( CBR ) в широком смысле представляет собой процесс решения новых проблем, основанный на решениях аналогичных прошлых проблем.

В повседневной жизни автомеханик , который ремонтирует двигатель , вспоминая другую машину с похожими симптомами, использует рассуждения, основанные на прецедентах. Юрист , который защищает конкретный результат судебного разбирательства , основываясь на правовых прецедентах , или судья, создающий прецедентное право, используют рассуждения, основанные на прецедентах. Точно так же инженер , копирующий рабочие элементы природы (практикующий биомимикрию ), рассматривает природу как базу данных решений проблем. Рассуждение на основе прецедентов является распространенным типом принятия решений по аналогии .

Было высказано мнение что рассуждение на основе прецедентов является не только мощным методом компьютерного рассуждения , но и широко распространенным методом решения повседневных человеческих проблем ; или, что более радикально, все рассуждения основаны на прошлых лично переживаемых случаях. Эта точка зрения связана с теорией прототипов , которая наиболее глубоко исследована в когнитивной науке .

Процесс

Схема рассуждений по прецедентам на французском языке

Рассуждения на основе прецедентов формализованы. для целей компьютерного мышления как четырехэтапный процесс:

1. Извлечение: учитывая целевую проблему, извлеките из памяти случаи, относящиеся к ее решению. Кейс состоит из проблемы, ее решения и, как правило, аннотаций о том, как было получено решение. Например, предположим, что Фред хочет приготовить блины с черникой . Будучи начинающим поваром, он может вспомнить самый значимый опыт, когда ему удалось приготовить простые блины. Процедура, которой он следовал при приготовлении простых блинов, вместе с обоснованием решений, принятых в процессе, представляет собой восстановленный случай Фреда.
2. Повторное использование: сопоставьте решение из предыдущего случая с целевой проблемой. Это может включать адаптацию решения по мере необходимости к новой ситуации. В примере с блинами Фред должен адаптировать полученное решение, включив в него добавление черники.
3. Пересмотр: сопоставив предыдущее решение с целевой ситуацией, протестируйте новое решение в реальном мире (или в моделировании) и, при необходимости, пересмотрите. Предположим, Фред адаптировал свой вариант приготовления блинов, добавив в тесто чернику. После смешивания он обнаруживает, что тесто посинело – нежелательный эффект. Это предполагает следующую доработку: отложите добавление черники до тех пор, пока тесто не будет перелито в кастрюлю.
4. Сохранение: после того, как решение было успешно адаптировано к целевой проблеме, сохраните полученный опыт как новый случай в памяти. Соответственно, Фред записывает свою новую процедуру приготовления блинов с черникой, тем самым обогащая свой набор накопленного опыта и лучше подготавливая его к будущим потребностям в приготовлении блинов.

Сравнение с другими методами

На первый взгляд CBR может показаться похожим на индукции правил . алгоритмы машинного обучения . Как и алгоритм введения правил, CBR начинается с набора случаев или обучающих примеров; он формирует обобщения этих примеров, хотя и неявные, путем выявления общих черт между извлеченным случаем и целевой проблемой.

Если, например, процедура приготовления простых блинов сопоставлена ​​с блинами с черникой, принимается решение использовать тот же основной метод приготовления теста и жарки, тем самым неявно обобщая набор ситуаций, в которых можно использовать метод теста и жарки. Однако ключевое различие между неявным обобщением в CBR и обобщением при индукции правил заключается в том, когда делается обобщение. Алгоритм индукции правил черпает свои обобщения из набора обучающих примеров еще до того, как становится известна целевая проблема; то есть он выполняет энергичное обобщение.

Например, если бы алгоритму индукции правил были даны рецепты простых блинов, голландских яблочных блинов и банановых блинов в качестве обучающих примеров, ему пришлось бы во время обучения вывести набор общих правил для приготовления всех типов блинов. Только во время испытаний ему будет дано, скажем, задание приготовить блины с черникой. Трудность алгоритма индукции правил состоит в том, чтобы предугадать различные направления, в которых он должен попытаться обобщить свои обучающие примеры. В этом отличие от CBR, который откладывает (неявное) обобщение своих случаев до времени тестирования – стратегия ленивого обобщения. В примере с блинами перед CBR уже была поставлена ​​целевая задача по приготовлению блинов с черникой; таким образом, он может обобщать свои случаи именно так, как необходимо, чтобы охватить эту ситуацию. Таким образом, CBR, как правило, является хорошим подходом для богатых и сложных областей, в которых существует множество способов обобщить ситуацию.

В законодательстве часто существует явное делегирование полномочий ЦБ РФ судам, признавая пределы причин, основанных на правилах: ограничение задержки, ограниченное знание будущего контекста, ограничение договорного соглашения и т. д. первый более явно представляет собой интерполяцию рассуждений и суждений, основанных на правилах, тогда как последний более тесно связан с припоминанием и процессом адаптации. Разница очевидна в их отношении к ошибкам и апелляционному рассмотрению.

Другое название рассуждений, основанных на прецедентах при решении проблем, — симптоматические стратегии. Это действительно требует априорных знаний предметной области, почерпнутых из прошлого опыта, который установил связи между симптомами и причинами. Эти знания называются поверхностными, компилированными, доказательными, основанными на истории, а также знаниями, основанными на конкретных случаях. Это стратегия, которая больше всего ассоциируется с диагностикой экспертов. Диагностика проблемы представляет собой быстрый процесс распознавания, в котором симптомы вызывают соответствующие категории ситуации. Эксперт знает причину, поскольку ранее сталкивался с подобными случаями. Обоснованное рассуждение — самая мощная стратегия, которая используется чаще всего. Однако стратегия не будет работать независимо от действительно новых проблем или там, где требуется более глубокое понимание того, что происходит.

Альтернативным подходом к решению проблем является топографическая стратегия, которая относится к категории глубоких рассуждений. При глубоких рассуждениях используются глубокие знания системы. Топография в этом контексте означает описание или анализ структурированного объекта, показывающий отношения между его элементами.

Также известный как рассуждение на основе первых принципов, глубокие рассуждения применяются к новым ошибкам, когда подходы, основанные на опыте, нежизнеспособны. Таким образом, топографическая стратегия связана с априорными знаниями предметной области, которые развиваются на основе более фундаментального понимания системы, возможно, с использованием знаний из первых принципов. Такие знания называются глубокими, причинными или основанными на моделях знаниями. Хок и Карлье отметил, что симптоматические подходы, возможно, должны быть подкреплены топографическими подходами, поскольку симптомы можно определять по-разному. Верно и обратное: поверхностные рассуждения можно использовать абдуктивно для генерации причинных гипотез и дедуктивно для оценки этих гипотез в топографическом поиске.

Критика

Критики ЦБ РФ утверждают, что это подход, который принимает неофициальные данные в качестве своего основного рабочего принципа. Без статистически значимых данных для обоснования и неявного обобщения нет никакой гарантии, что обобщение правильное. Однако все индуктивные рассуждения , когда данных слишком мало для статистической значимости, по своей сути основаны на неофициальных данных.

История

CBR берет свое начало в работе Роджера Шанка и его студентов в Йельском университете в начале 1980-х годов. Модель динамической памяти Шанка. был основой для самых ранних систем CBR: Джанет Колоднер. CYRUS и IPP Майкла Лебовица.

Другие школы CBR и тесно связанных с ними областей возникли в 1980-х годах, которые были направлены на такие темы, как юридические рассуждения, рассуждения на основе памяти (способ рассуждения на примерах на машинах с массовым параллелизмом) и комбинации CBR с другими методами рассуждения. В 1990-е годы интерес к РУО вырос на международном уровне, о чем свидетельствует учреждение Международной конференции по рассуждению на основе прецедентов в 1995 году, а также семинары по РУО в Европе, Германии, Великобритании, Италии и других странах. .

Технология CBR привела к внедрению ряда успешных систем, самой ранней из которых является CLAVIER компании Lockheed. система выкладки композитных деталей для обжига в промышленной конвекционной печи. CBR широко использовался в таких приложениях, как система Compaq SMART. и нашел важную область применения в науках о здоровье, а также в управлении структурной безопасностью.

Есть недавняя работа который развивает CBR в рамках статистической структуры и формализует вывод на основе прецедентов как особый тип вероятностного вывода. Таким образом, становится возможным делать прогнозы на основе конкретных случаев, обладающие определенным уровнем достоверности. Одно из описаний разницы между CBR и индукцией на основе примеров состоит в том, что статистический вывод направлен на то, чтобы найти то, что делает случаи похожими, в то время как CBR стремится закодировать то, что достаточно, чтобы утверждать сходство.

См. также

• Выравнивание ИИ
• Программное обеспечение для обнаружения искусственного интеллекта
• Абдуктивное рассуждение
• Утиный тест
• Я знаю это, когда вижу это
• Рассуждения здравого смысла
• Целенаправленное упущение
• Древо решений
• Генетический алгоритм
• Сопоставление с образцом
• Аналогия
• К-линия (искусственный интеллект)
• Правила пульсации вниз
• Казуистика
• Эвристика сходства

Дальнейшее чтение

• Амодт, Агнар и Энрик Плаза. « Рассуждение на основе прецедентов: фундаментальные проблемы, методологические вариации и системные подходы » Коммуникации искусственного интеллекта 7, вып. 1 (1994): 39–52.
• Альтхофф, Клаус-Дитер, Ральф Бергманн и Л. Карл Брантинг, ред. Исследования и разработки рассуждений на основе прецедентов: материалы Третьей Международной конференции по рассуждениям на основе прецедентов . Берлин: Springer Verlag, 1999.
• Бергманн, Ральф « Управление опытом: основы, методология разработки и интернет-приложения» . Спрингер, LNAI 2432, 2002 г.
• Бергманн Р., Альтхофф К.-Д., Брин С., Гёкер М., Манаго М., Трафонер Р. и Весс С. Разработка промышленных приложений рассуждений на основе прецедентов: методология INRECA. Спрингер ЛНАИ 1612, 2003 г.
• Колоднер, Джанет. Рассуждение на основе прецедентов . Сан-Матео: Морган Кауфманн, 1993.
• Лик, Дэвид. « ЦБ РФ в контексте: настоящее и будущее », Лик Д., редактор, «Рассуждение на основе конкретных случаев: опыт, уроки и направления на будущее». AAAI Press/MIT Press, 1996, 1–30.
• Лик, Дэвид и Энрик Плаза, ред. Исследования и разработки рассуждений на основе прецедентов: материалы Второй международной конференции по рассуждениям на основе прецедентов . Берлин: Springer Verlag, 1997.
• Ленц, Марио; Барч-Шпёрль, Бриджит; Буркхард, Ханс-Дитер; Весс, Стефан, ред. (1998). Технология рассуждения на основе прецедентов: от основ к приложениям . Конспект лекций по искусственному интеллекту. Том. 1400. Спрингер. дои : 10.1007/3-540-69351-3 . ISBN  978-3-540-64572-6 . S2CID   10517603 .
• Оксман, Ривка . Прецеденты в дизайне: вычислительная модель для организации прецедентных знаний , Исследования дизайна, Vol. 15 № 2 стр. 141–157.
• Рисбек, Кристофер и Роджер Шенк. Внутреннее рассуждение на основе прецедентов . Нортвейл, Нью-Джерси: Эрлбаум, 1989.
• Велосо, Мануэла и Агнар Аамодт, ред. Исследования и разработки рассуждений на основе прецедентов: материалы Первой международной конференции по рассуждениям на основе прецедентов . Берлин: Springer Verlag, 1995.
• Уотсон, Ян. Применение рассуждений на основе прецедентов: методы для корпоративных систем . Сан-Франциско: Морган Кауфманн, 1997.

Внешние ссылки

• GAIA – Группа приложений искусственного интеллекта

---

Более ранняя версия вышеуказанной статьи была размещена на Nupedia .