الانتقال إلى المحتوى
العودة إلى نتائج البحث

الاستدلال القائم على الحالات (CBR)

قدّمه
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
السنة
1994
النوع
Experience-based (analogical) problem solving
العائلة
Case-based reasoning

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

يحل الاستدلال القائم على الحالات مشكلة جديدة عن طريق استرجاع مشاكل مماثلة تم حلها في الماضي وتكييف حلولها، بدلاً من الاستدلال من مبادئ أولية أو نموذج إحصائي مدرب. تم تقنينه على أنه دورة الاسترجاع-إعادة الاستخدام-المراجعة-الاحتفاظ بواسطة آأموت وبلازا في عام 1994 وشاعته جانيت كولودنر، يعكس الاستدلال القائم على الحالات كيف يستدل الخبراء البشريون في الطب والقانون والهندسة بالقياس من حالات متذكرة، ويتعلم ببساطة عن طريق تخزين كل حالة تم حلها حديثًا.

الفكرة الحدسية وراء الطريقة

لا يقوم الطبيب الذي يواجه مريضًا صعبًا بإعادة اشتقاق الطب من الصفر؛ بل يتذكر المرضى المماثلين وما نجح معهم، ثم يعدل بالنسبة لاختلافات هذا المريض. يجسد الاستدلال القائم على الحالات بالضبط هذا: فهو يحتفظ بمكتبة من الحالات السابقة (المشكلة بالإضافة إلى حلها)، ويجد الحالة السابقة الأكثر تشابهًا مع المشكلة الجديدة، ويعيد استخدام هذا الحل مع التعديلات، ويتحقق مما إذا كان قد نجح، ويقوم بتخزين التجربة الجديدة للوقت التالي. وبالتالي فإن المعرفة ملموسة ومبنية على الأمثلة، وليست مجموعة من القواعد المجردة، مما يجعل الاستدلال القائم على الحالات طبيعيًا للمجالات التي تكون فيها الخبرة أكثر أهمية من النظرية.

التاريخ

نشأ الاستدلال القائم على الحالات من عمل روجر شانك على الذاكرة الديناميكية والسيناريوهات في أوائل الثمانينيات وتم تطويره إلى منهجية عملية بواسطة جانيت كولودنر، التي شكل مقدمتها عام 1992 وكتابها اللاحق المجال. قدمت ورقة آأموت وبلازا عام 1994 دورة الاسترجاع-إعادة الاستخدام-المراجعة-الاحتفاظ (4R) الموحدة التي لا تزال الوصف القياسي. أصبح الاستدلال القائم على الحالات فرعًا معترفًا به من الذكاء الاصطناعي القائم على المعرفة والقياسي، مع تطبيقات دائمة في التشخيص والقانون والتصميم والتوصية، ويتصل بتعلم الجار الأقرب، والمجموعات التقريبية، وطرق قائمة على المثيلات.

متى تُستخدم

استخدم الاستدلال القائم على الحالات عندما تكون هناك حلول جيدة للحالات السابقة وقابلة لإعادة الاستخدام، ويكون المجال صعب التقاطه في قواعد صريحة أو نموذج إحصائي، ويتم تقدير الشروحات المتجذرة في السوابق الملموسة - تشمل التطبيقات الكلاسيكية التشخيص الطبي، والاستدلال القانوني (السوابق)، ودعم العملاء والدعم الفني، والتصميم، والتكوين. إنه جذاب عندما تتراكم البيانات تدريجيًا (كل حالة محلولة مفيدة على الفور) وعندما تكون الشفافية مهمة، حيث يمكن تبرير التوصية بالحالة المماثلة التي جاءت منها. يعتمد بشكل حاسم على مقياس تشابه ذي معنى ومعرفة التكييف؛ مع مقاييس تشابه ضعيفة، أو عدم وجود تكييف، أو قاعدة حالات متفرقة/متحيزة، فإنه يتدهور، وبالنسبة لمجموعات البيانات الكبيرة السلسة قد يكون المتعلم الإحصائي أفضل في التعميم.

الحدود والاعتبارات

  • تعتمد الجودة على مقياس التشابه ومعرفة التكييف، والتي قد يكون من الصعب هندستها.
  • قاعدة حالات متحيزة أو متفرقة تؤدي إلى توصيات ضعيفة أو منحرفة.
  • يمكن أن يصبح الاسترجاع بطيئًا مع نمو قاعدة الحالات دون فهرسة جيدة.
  • قد يعمم بشكل أسوأ من النماذج الإحصائية على مجموعات البيانات الكبيرة السلسة.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • يتعلم بشكل تدريجي عن طريق الاحتفاظ بالحالات المحلولة ببساطة - لا يوجد إعادة تدريب مجمعة.
  • شفاف وقابل للتفسير: يتم تبرير التوصيات بالحالات المماثلة الملموسة.
  • يعمل في المجالات التي تقاوم القواعد الصريحة أو النماذج البارامترية.
  • يتعامل بشكل طبيعي مع مجموعة متزايدة ومتطورة من الخبرات.

التطبيقات

  • التشخيص الطبي والتوصية بالعلاج من المرضى السابقين المماثلين.
  • الاستدلال القانوني واسترجاع السوابق.
  • الدعم الفني، ومكاتب المساعدة، وتشخيص الأعطال.
  • التصميم الهندسي وتكوين المنتجات بالقياس.
  • التوصية والتخطيط حيث يمكن تكييف الحلول السابقة.

كيف يعمل

كيف يعمل

1

بالنظر إلى مشكلة جديدة (استعلام)، ابحث في قاعدة الحالات عن الحالات المخزنة الأكثر تشابهًا باستخدام مقياس تشابه على ميزات المشكلة - غالبًا ما يكون مقياس مسافة مرجح أو مقياس الجار الأقرب، وأحيانًا مع الفهرسة للسرعة. تحمل الحالة المسترجعة حلاً نجح في موقف مماثل.

الصيغة
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)
2

قم بتكييف الحل المسترجع ليناسب المشكلة الجديدة. يتراوح التكييف من لا شيء (نسخ الحل كما هو) إلى استبدال المعلمات، إلى التكييف التحويلي الموجه بقواعد المجال. هذه الخطوة تحول 'ما نجح من قبل' إلى حل مرشح لـ 'الآن'.

الصيغة
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)
3

قم بتقييم الحل المرشح - عن طريق المحاكاة، أو مراجعة الخبراء، أو النتائج الواقعية - وقم بإصلاحه إذا فشل. المراجعة هي المكان الذي يواجه فيه الاستدلال القائم على الحالات حقيقة أن الحالة السابقة كانت مماثلة فقط، وليست متطابقة، ويصحح الحل المقترح وفقًا لذلك.

الصيغة
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}
4

قم بتخزين المشكلة الجديدة مع حلها المؤكد (والدروس المستفادة) مرة أخرى في قاعدة الحالات. هذه هي آلية التعلم للاستدلال القائم على الحالات: يتحسن النظام تدريجيًا مع تراكم الخبرة، دون مرحلة تدريب منفصلة.

الصيغة
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}

الأخطاء الشائعة

  • معاملة الاسترجاع (الحالة الأقرب) كطريقة كاملة وتخطي التكييف والمراجعة.
  • استخدام مقياس تشابه غير مرجح أو بسيط يتجاهل الميزات التي تهم بالفعل.
  • السماح لقاعدة الحالات بالنمو دون صيانة، وتراكم الحالات المكررة أو القديمة.
  • الاحتفاظ بالحلول غير المؤكدة، مما يؤدي إلى انتشار الأخطاء في الاستدلال المستقبلي.

الأسئلة الشائعة

كيف يختلف الاستدلال القائم على الحالات عن k-أقرب الجيران؟

يتوقف تصنيف الجار الأقرب عند الاسترجاع - فهو يتنبأ من المثيلات المماثلة. يذهب الاستدلال القائم على الحالات إلى أبعد من ذلك: فهو يكيف الحل المسترجع للمشكلة الجديدة (إعادة الاستخدام)، ويقيمه ويصلحه (مراجعة)، ويخزن النتيجة (احتفاظ). لذلك فإن kNN هو في الأساس خطوة الاسترجاع للاستدلال القائم على الحالات بدون تكييف أو مراجعة أو تعلم صريح عن طريق الاحتفاظ بالحالات.

هل يحتاج الاستدلال القائم على الحالات إلى مرحلة تدريب؟

لا. لا يحتوي الاستدلال القائم على الحالات على خطوة تدريب منفصلة؛ فهو يستدل مباشرة من الحالات المخزنة ويتعلم عن طريق الاحتفاظ بكل حالة تم حلها حديثًا. هذا يجعله مناسبًا للمجالات التي تتراكم فيها المعرفة تدريجيًا وحيث يكون إعادة تدريب النموذج غير عملي.

ما الذي يجعل مقياس التشابه جيدًا للاستدلال القائم على الحالات؟

مقياس يعكس ميزات المشكلة التي تحدد الحل الصحيح بالفعل، وعادة ما يكون مزيجًا مرجحًا من مسافات الميزات مع أوزان محددة بمعرفة المجال أو تم تعلمها من البيانات. مقياس تشابه ضعيف أو غير مرجح هو السبب الأكثر شيوعًا لأداء الاستدلال القائم على الحالات الضعيف.

طرق ذات صلة

المصادر

  1. Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.

    افتح مرجع DOI
    تم النسخ.
  2. Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.

    افتح مرجع DOI
    تم النسخ.