Skip to content
Retour aux résultats

Raisonnement à base de cas (RBC)

Introduite par
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
Année
1994
Type
Experience-based (analogical) problem solving
Famille
Case-based reasoning

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Le raisonnement à base de cas résout un nouveau problème en récupérant des problèmes similaires résolus dans le passé et en adaptant leurs solutions, plutôt qu'en raisonnant à partir de premiers principes ou d'un modèle statistique entraîné.

Formalisé comme le cycle Récupérer-Réutiliser-Réviser-Retenir par Aamodt et Plaza en 1994 et popularisé par Janet Kolodner, le RBC reflète la manière dont les experts humains en médecine, droit et ingénierie raisonnent par analogie à partir de cas mémorisés, et il apprend simplement en stockant chaque cas nouvellement résolu.

L’intuition derrière la méthode

Un médecin confronté à un patient difficile ne redérive pas la médecine à partir de zéro ; il se souvient de patients similaires et de ce qui a fonctionné pour eux, puis ajuste pour les différences de ce patient. Le RBC encode exactement cela : il conserve une bibliothèque de cas passés (problème plus sa solution), trouve le cas passé le plus similaire au nouveau problème, réutilise cette solution avec des adaptations, vérifie si elle a fonctionné, et classe la nouvelle expérience pour la prochaine fois. La connaissance est donc concrète et basée sur des exemples, pas un ensemble de règles abstraites, ce qui rend le RBC naturel pour les domaines où l'expérience compte plus que la théorie.

Histoire

Le raisonnement à base de cas est né des travaux de Roger Schank sur la mémoire dynamique et les scripts au début des années 1980 et a été développé en une méthodologie pratique par Janet Kolodner, dont l'introduction de 1992 et le manuel ultérieur ont façonné le domaine. L'article de 1994 d'Aamodt et Plaza a fourni le cycle unificateur Récupérer-Réutiliser-Réviser-Retenir (4R) qui reste la description standard. Le RBC est devenu une branche reconnue de l'IA basée sur la connaissance et analogique, avec des applications durables dans le diagnostic, le droit, la conception et la recommandation, et il se connecte à l'apprentissage du plus proche voisin, aux ensembles approximatifs et aux méthodes basées sur les instances.

Quand l’utiliser

Utiliser le raisonnement à base de cas lorsque de bonnes solutions à des instances passées existent et sont réutilisables, que le domaine est difficile à capturer dans des règles explicites ou un modèle statistique, et que des explications fondées sur des précédents concrets sont valorisées — les applications classiques incluent le diagnostic médical, le raisonnement juridique (précédent), le support technique et d'assistance, la conception et la configuration. Il est attrayant lorsque les données s'accumulent progressivement (chaque cas résolu est immédiatement utile) et lorsque la transparence compte, car une recommandation peut être justifiée par le cas analogue dont elle provient. Il dépend de manière critique d'une mesure de similarité significative et de connaissances d'adaptation ; avec des métriques de similarité médiocres, aucune adaptation, ou une base de cas clairsemée/biaisée, il se dégrade, et pour de grands ensembles de données lisses, un apprenant statistique peut mieux généraliser.

Limites et points d’attention

  • La qualité dépend de la mesure de similarité et des connaissances d'adaptation, qui peuvent être difficiles à concevoir.
  • Une base de cas biaisée ou clairsemée produit des recommandations médiocres ou biaisées.
  • La récupération peut devenir lente à mesure que la base de cas s'agrandit sans une bonne indexation.
  • Peut généraliser moins bien que les modèles statistiques sur de grands ensembles de données lisses.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Apprend de manière incrémentale en conservant simplement les cas résolus — pas de réentraînement par lots.
  • Transparent et explicable : les recommandations sont justifiées par des cas analogues concrets.
  • Fonctionne dans des domaines qui résistent aux règles explicites ou aux modèles paramétriques.
  • Gère naturellement un corpus d'expérience croissant et évolutif.

Applications

  • Diagnostic médical et recommandation de traitement à partir de patients passés similaires.
  • Raisonnement juridique et récupération de jurisprudence.
  • Support technique, centres d'aide et diagnostic de pannes.
  • Conception d'ingénierie et configuration de produits par analogie.
  • Recommandation et planification où les solutions passées peuvent être adaptées.

Comment ça marche

Comment ça marche

1

Étant donné un nouveau problème (requête), rechercher dans la base de cas le(s) cas stocké(s) le plus similaire(s) en utilisant une mesure de similarité sur les caractéristiques du problème — souvent une distance pondérée ou une métrique du plus proche voisin, parfois avec indexation pour la vitesse. Le cas récupéré apporte une solution qui a fonctionné dans une situation analogue.

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

Adapter la solution récupérée pour qu'elle corresponde au nouveau problème. L'adaptation va de nulle (copier la solution telle quelle) à la substitution de paramètres, en passant par l'adaptation transformationnelle guidée par des règles du domaine. Cette étape transforme 'ce qui a fonctionné avant' en une solution candidate pour 'maintenant'.

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

Évaluer la solution candidate — par simulation, examen par un expert, ou résultat réel — et la réparer si elle échoue. La révision est l'étape où le RBC est confronté au fait que le cas passé n'était que similaire, pas identique, et corrige la solution proposée en conséquence.

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

Stocker le nouveau problème avec sa solution confirmée (et les leçons apprises) dans la base de cas. C'est le mécanisme d'apprentissage du RBC : le système s'améliore progressivement à mesure qu'il accumule de l'expérience, sans phase d'entraînement distincte.

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

Pièges courants

  • Traiter la récupération (cas le plus proche) comme la méthode entière et omettre l'adaptation et la révision.
  • Utiliser une mesure de similarité non pondérée ou naïve qui ignore quelles caractéristiques sont réellement importantes.
  • Laisser la base de cas croître sans entretien, accumulant des cas redondants ou obsolètes.
  • Conserver des solutions non vérifiées, ce qui propage des erreurs dans le raisonnement futur.

Questions fréquentes

En quoi le RBC diffère-t-il de k-plus proches voisins ?

La classification par plus proche voisin s'arrête à la récupération — elle prédit à partir d'instances similaires. Le RBC va plus loin : il adapte la solution récupérée au nouveau problème (réutilisation), l'évalue et la répare (révision), et stocke le résultat (rétention). Ainsi, kNN est essentiellement l'étape de récupération du RBC sans adaptation, révision, ou apprentissage explicite par rétention de cas.

Le RBC a-t-il besoin d'une phase d'entraînement ?

Non. Le RBC n'a pas d'étape d'entraînement distincte ; il raisonne directement à partir de cas stockés et apprend en conservant chaque cas nouvellement résolu. Cela le rend bien adapté aux domaines où la connaissance s'accumule progressivement et où le réentraînement d'un modèle serait impraticable.

Qu'est-ce qui fait une bonne mesure de similarité pour le RBC ?

Une mesure qui reflète quelles caractéristiques du problème déterminent la bonne solution, généralement une combinaison pondérée de distances de caractéristiques avec des poids définis par la connaissance du domaine ou appris à partir de données. Une mesure de similarité médiocre ou non pondérée est la cause la plus fréquente de faibles performances du RBC.

Méthodes associées

Sources

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

    Ouvrir la référence DOI
    Copié.
  2. Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.

    Ouvrir la référence DOI
    Copié.