Razonamiento Basado en Casos (CBR)
- Propuesto por
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- Año
- 1994
- Tipo
- Experience-based (analogical) problem solving
- Familia
- Case-based reasoning
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
El razonamiento basado en casos (CBR, por sus siglas en inglés) resuelve un nuevo problema recuperando problemas similares resueltos en el pasado y adaptando sus soluciones, en lugar de razonar a partir de principios fundamentales o un modelo estadístico entrenado.
Formalizado como el ciclo Recuperar-Reutilizar-Revisar-Retener (Retrieve-Reuse-Revise-Retain) por Aamodt y Plaza en 1994 y popularizado por Janet Kolodner, el CBR imita cómo los expertos humanos en medicina, derecho e ingeniería razonan por analogía a partir de casos recordados, y aprende simplemente almacenando cada caso recién resuelto.
La intuición detrás del método
Un médico que se enfrenta a un paciente difícil no re-deriva la medicina desde cero; recuerda pacientes similares y lo que funcionó para ellos, y luego ajusta las diferencias de este paciente. El CBR codifica exactamente esto: mantiene una biblioteca de casos pasados (problema más su solución), encuentra el caso pasado más similar al nuevo problema, reutiliza esa solución con adaptaciones, verifica si funcionó y archiva la nueva experiencia para la próxima vez. El conocimiento es, por lo tanto, concreto y basado en ejemplos, no un conjunto de reglas abstractas, lo que hace que el CBR sea natural para dominios donde la experiencia importa más que la teoría.
Historia
El razonamiento basado en casos surgió del trabajo de Roger Schank sobre memoria dinámica y guiones (scripts) a principios de la década de 1980 y fue desarrollado en una metodología práctica por Janet Kolodner, cuya introducción de 1992 y posterior libro de texto moldearon el campo. El artículo de Aamodt y Plaza de 1994 proporcionó el ciclo unificador Recuperar-Reutilizar-Revisar-Retener (4R) que sigue siendo la descripción estándar. El CBR se convirtió en una rama reconocida de la IA basada en conocimiento y analógica, con aplicaciones duraderas en diagnóstico, derecho, diseño y recomendación, y se conecta con el aprendizaje del vecino más cercano, los conjuntos difusos (rough sets) y los métodos basados en instancias.
Cuándo usarlo
Utilice el razonamiento basado en casos cuando existan buenas soluciones para instancias pasadas y sean reutilizables, el dominio sea difícil de capturar en reglas explícitas o un modelo estadístico, y se valoren explicaciones basadas en precedentes concretos — los casos de uso clásicos incluyen diagnóstico médico, razonamiento legal (precedente), soporte técnico y de ayuda, diseño y configuración. Es atractivo cuando los datos se acumulan incrementalmente (cada caso resuelto es inmediatamente útil) y cuando la transparencia importa, ya que una recomendación puede justificarse por el caso análogo del que provino. Depende críticamente de una medida de similitud significativa y de conocimiento de adaptación; con métricas de similitud deficientes, sin adaptación, o una base de casos escasa/sesgada, se degrada, y para conjuntos de datos grandes y suaves, un aprendiz estadístico puede generalizar mejor.
Limitaciones y consideraciones
- La calidad depende de la medida de similitud y del conocimiento de adaptación, que pueden ser difíciles de diseñar.
- Una base de casos sesgada o escasa produce recomendaciones deficientes o sesgadas.
- La recuperación puede volverse lenta a medida que la base de casos crece sin una buena indexación.
- Puede generalizar peor que los modelos estadísticos en conjuntos de datos grandes y suaves.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Aprende incrementalmente simplemente reteniendo los casos resueltos — sin reentrenamiento por lotes.
- Transparente y explicable: las recomendaciones se justifican por casos análogos concretos.
- Funciona en dominios que resisten reglas explícitas o modelos paramétricos.
- Maneja naturalmente un cuerpo de experiencia creciente y en evolución.
Aplicaciones
- Diagnóstico médico y recomendación de tratamiento a partir de pacientes pasados similares.
- Razonamiento legal y recuperación de precedentes.
- Soporte técnico, mesas de ayuda y diagnóstico de fallos.
- Diseño de ingeniería y configuración de productos por analogía.
- Recomendación y planificación donde las soluciones pasadas pueden adaptarse.
Cómo funciona
Cómo funciona
Dado un nuevo problema (consulta), se busca en la base de casos el(los) caso(s) almacenado(s) más similar(es) utilizando una medida de similitud sobre las características del problema — a menudo una distancia ponderada o una métrica de vecino más cercano, a veces con indexación para mayor velocidad. El caso recuperado aporta una solución que funcionó en una situación análoga.
Fórmula
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)Se adapta la solución recuperada para que se ajuste al nuevo problema. La adaptación va desde nula (copiar la solución tal cual) hasta sustitución de parámetros, o adaptación transformacional guiada por reglas del dominio. Este paso convierte 'lo que funcionó antes' en una solución candidata para 'ahora'.
Fórmula
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)Se evalúa la solución candidata — mediante simulación, revisión experta o resultado en el mundo real — y se repara si falla. La revisión es donde el CBR se enfrenta al hecho de que el caso pasado solo era similar, no idéntico, y corrige la solución propuesta en consecuencia.
Fórmula
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}Se almacena el nuevo problema junto con su solución confirmada (y las lecciones aprendidas) de nuevo en la base de casos. Este es el mecanismo de aprendizaje del CBR: el sistema mejora incrementalmente a medida que acumula experiencia, sin una fase de entrenamiento separada.
Fórmula
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}Errores comunes
- Tratar la recuperación (caso más cercano) como el método completo y omitir la adaptación y la revisión.
- Usar una medida de similitud no ponderada o ingenua que ignora qué características importan realmente.
- Dejar que la base de casos crezca sin mantenimiento, acumulando casos redundantes u obsoletos.
- Retener soluciones no verificadas, lo que propaga errores al razonamiento futuro.
Preguntas frecuentes
¿En qué se diferencia el CBR de k-vecinos más cercanos (k-NN)?
La clasificación por vecino más cercano se detiene en la recuperación — predice a partir de instancias similares. El CBR va más allá: adapta la solución recuperada al nuevo problema (reutilizar), la evalúa y la repara (revisar), y almacena el resultado (retener). Por lo tanto, kNN es esencialmente el paso de recuperación del CBR sin adaptación, revisión o aprendizaje explícito por retención de casos.
¿Necesita el CBR una fase de entrenamiento?
No. El CBR no tiene un paso de entrenamiento separado; razona directamente a partir de casos almacenados y aprende reteniendo cada caso recién resuelto. Esto lo hace muy adecuado para dominios donde el conocimiento se acumula incrementalmente y donde reentrenar un modelo sería poco práctico.
¿Qué hace que una medida de similitud sea buena para el CBR?
Una que refleje qué características del problema determinan realmente la solución correcta, generalmente una combinación ponderada de distancias de características con pesos establecidos por conocimiento del dominio o aprendidos de los datos. Una medida de similitud deficiente o no ponderada es la causa más común de un rendimiento débil del CBR.
Métodos relacionados
Fuentes
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
Abrir referencia DOICopiado.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
Abrir referencia DOICopiado.