Skip to content
Kembali ke hasil pencarian

Penalaran Berbasis Kasus (PBK)

Diperkenalkan oleh
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
Tahun
1994
Jenis
Experience-based (analogical) problem solving
Keluarga
Case-based reasoning

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Penalaran berbasis kasus menyelesaikan masalah baru dengan mengambil kembali masalah serupa yang telah diselesaikan di masa lalu dan mengadaptasi solusinya, daripada bernalar dari prinsip pertama atau model statistik yang terlatih.

Diformalisasikan sebagai siklus Ambil-Gunakan Kembali-Perbaiki-Simpan (Retrieve-Reuse-Revise-Retain) oleh Aamodt dan Plaza pada tahun 1994 dan dipopulerkan oleh Janet Kolodner, PBK meniru cara pakar manusia di bidang kedokteran, hukum, dan teknik bernalar berdasarkan analogi dari kasus yang diingat, dan ia belajar hanya dengan menyimpan setiap kasus yang baru diselesaikan.

Intuisi di balik metode

Seorang dokter yang menghadapi pasien sulit tidak menurunkan kembali kedokteran dari awal; ia mengingat pasien serupa dan apa yang berhasil untuk mereka, lalu menyesuaikan untuk perbedaan pasien ini. PBK mengkodekan persis seperti ini: ia menyimpan perpustakaan kasus masa lalu (masalah ditambah solusinya), menemukan kasus masa lalu yang paling mirip dengan masalah baru, menggunakan kembali solusi tersebut dengan adaptasi, memeriksa apakah itu berhasil, dan menyimpan pengalaman baru tersebut untuk waktu berikutnya. Pengetahuan oleh karena itu konkret dan berbasis contoh, bukan seperangkat aturan abstrak, yang membuat PBK alami untuk domain di mana pengalaman lebih penting daripada teori.

Sejarah

Penalaran berbasis kasus tumbuh dari karya Roger Schank tentang memori dinamis dan skrip pada awal 1980-an dan dikembangkan menjadi metodologi praktis oleh Janet Kolodner, yang pengantar tahun 1992 dan buku teks berikutnya membentuk bidang ini. Makalah Aamodt dan Plaza tahun 1994 menyediakan siklus Ambil-Gunakan Kembali-Perbaiki-Simpan (4R) yang menyatukan yang tetap menjadi deskripsi standar. PBK menjadi cabang AI berbasis pengetahuan dan analogis yang diakui, dengan aplikasi abadi dalam diagnosis, hukum, desain, dan rekomendasi, dan ia terhubung dengan pembelajaran tetangga terdekat, himpunan kasar, dan metode berbasis contoh.

Kapan digunakan

Gunakan penalaran berbasis kasus ketika solusi yang baik untuk contoh masa lalu ada dan dapat digunakan kembali, domain sulit ditangkap dalam aturan eksplisit atau model statistik, dan penjelasan yang didasarkan pada preseden konkret dihargai — kecocokan klasik termasuk diagnosis medis, penalaran hukum (preseden), meja bantuan dan dukungan teknis, desain, dan konfigurasi. Ini menarik ketika data terakumulasi secara inkremental (setiap kasus yang diselesaikan segera berguna) dan ketika transparansi penting, karena rekomendasi dapat dibenarkan oleh kasus analog yang berasal darinya. Ini sangat bergantung pada ukuran kesamaan yang bermakna dan pengetahuan adaptasi; dengan metrik kesamaan yang buruk, tidak ada adaptasi, atau basis kasus yang jarang/bias ia menurun, dan untuk kumpulan data besar yang mulus pembelajar statistik mungkin menggeneralisasi lebih baik.

Batasan dan pertimbangan

  • Kualitas bergantung pada ukuran kesamaan dan pengetahuan adaptasi, yang bisa sulit direkayasa.
  • Basis kasus yang bias atau jarang menghasilkan rekomendasi yang buruk atau miring.
  • Pengambilan kembali dapat menjadi lambat seiring pertumbuhan basis kasus tanpa pengindeksan yang baik.
  • Mungkin menggeneralisasi lebih buruk daripada model statistik pada kumpulan data besar yang mulus.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Belajar secara inkremental dengan hanya menyimpan kasus yang diselesaikan — tidak ada pelatihan ulang batch.
  • Transparan dan dapat dijelaskan: rekomendasi dibenarkan oleh kasus analog konkret.
  • Bekerja di domain yang menolak aturan eksplisit atau model parametrik.
  • Secara alami menangani kumpulan pengalaman yang terus tumbuh dan berkembang.

Penerapan

  • Diagnosis medis dan rekomendasi pengobatan dari pasien serupa di masa lalu.
  • Penalaran hukum dan pengambilan preseden.
  • Dukungan teknis, meja bantuan, dan diagnosis kesalahan.
  • Desain teknik dan konfigurasi produk berdasarkan analogi.
  • Rekomendasi dan perencanaan di mana solusi masa lalu dapat diadaptasi.

Cara kerjanya

Cara kerjanya

1

Diberikan masalah baru (kueri), cari basis kasus untuk kasus tersimpan yang paling mirip menggunakan ukuran kesamaan pada fitur masalah — sering kali metrik jarak berbobot atau tetangga terdekat, terkadang dengan pengindeksan untuk kecepatan. Kasus yang diambil membawa solusi yang berhasil dalam situasi analog.

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

Adaptasikan solusi yang diambil agar sesuai dengan masalah baru. Adaptasi berkisar dari nol (salin solusi apa adanya) hingga substitusi parameter, hingga adaptasi transformasional yang dipandu oleh aturan domain. Langkah ini mengubah 'apa yang berhasil sebelumnya' menjadi solusi kandidat untuk 'sekarang'.

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

Evaluasi solusi kandidat — melalui simulasi, tinjauan ahli, atau hasil dunia nyata — dan perbaiki jika gagal. Revisi adalah di mana PBK menghadapi fakta bahwa kasus masa lalu hanya mirip, tidak identik, dan memperbaiki solusi yang diusulkan sesuai dengan itu.

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

Simpan masalah baru bersama dengan solusi terkonfirmasinya (dan pelajaran yang didapat) kembali ke basis kasus. Ini adalah mekanisme pembelajaran PBK: sistem meningkat secara inkremental seiring akumulasi pengalaman, tanpa fase pelatihan terpisah.

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

Kesalahan umum

  • Memperlakukan pengambilan kembali (kasus terdekat) sebagai keseluruhan metode dan melewati adaptasi dan revisi.
  • Menggunakan ukuran kesamaan yang tidak berbobot atau naif yang mengabaikan fitur mana yang sebenarnya penting.
  • Membiarkan basis kasus tumbuh tanpa terawat, mengakumulasi kasus yang redundan atau usang.
  • Menyimpan solusi yang belum diverifikasi, yang menyebarkan kesalahan ke penalaran di masa depan.

Pertanyaan yang sering diajukan

Bagaimana PBK berbeda dari k-nearest neighbours?

Klasifikasi tetangga terdekat berhenti pada pengambilan kembali — ia memprediksi dari contoh serupa. PBK melangkah lebih jauh: ia mengadaptasi solusi yang diambil ke masalah baru (penggunaan kembali), mengevaluasi dan memperbaikinya (revisi), dan menyimpan hasilnya (penyimpanan). Jadi kNN pada dasarnya adalah langkah pengambilan kembali PBK tanpa adaptasi, revisi, atau pembelajaran eksplisit melalui penyimpanan kasus.

Apakah PBK memerlukan fase pelatihan?

Tidak. PBK tidak memiliki langkah pelatihan terpisah; ia bernalar langsung dari kasus yang disimpan dan belajar dengan menyimpan setiap kasus yang baru diselesaikan. Ini membuatnya sangat cocok untuk domain di mana pengetahuan terakumulasi secara inkremental dan di mana melatih ulang model akan tidak praktis.

Apa yang membuat ukuran kesamaan yang baik untuk PBK?

Yang mencerminkan fitur masalah mana yang sebenarnya menentukan solusi yang tepat, biasanya kombinasi berbobot dari jarak fitur dengan bobot yang ditetapkan oleh pengetahuan domain atau dipelajari dari data. Ukuran kesamaan yang buruk atau tidak berbobot adalah penyebab paling umum dari kinerja PBK yang lemah.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.

    Buka referensi DOI
    Disalin.