Ragionamento Basato su Casi (CBR)
- Introdotto da
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- Anno
- 1994
- Tipo
- Experience-based (analogical) problem solving
- Famiglia
- Case-based reasoning
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Il ragionamento basato su casi risolve un nuovo problema recuperando problemi simili risolti in passato e adattandone le soluzioni, piuttosto che ragionare da principi primi o da un modello statistico addestrato.
Formalizzato come ciclo Recupera-Riusa-Revisiona-Conserva da Aamodt e Plaza nel 1994 e reso popolare da Janet Kolodner, il CBR rispecchia il modo in cui gli esperti umani in medicina, diritto e ingegneria ragionano per analogia da casi ricordati, e impara semplicemente memorizzando ogni caso appena risolto.
L’intuizione alla base del metodo
Un medico di fronte a un paziente difficile non deriva nuovamente la medicina da zero; egli ricorda pazienti simili e ciò che ha funzionato per loro, quindi si adatta alle differenze di questo paziente. Il CBR codifica esattamente questo: mantiene una libreria di casi passati (problema più la sua soluzione), trova il caso passato più simile al nuovo problema, riutilizza quella soluzione con adattamenti, verifica se ha funzionato e archivia la nuova esperienza per la volta successiva. La conoscenza è quindi concreta e basata su esempi, non un insieme di regole astratte, il che rende il CBR naturale per i domini in cui l'esperienza conta più della teoria.
Storia
Il ragionamento basato su casi è nato dal lavoro di Roger Schank sulla memoria dinamica e sugli script nei primi anni '80 ed è stato sviluppato in una metodologia pratica da Janet Kolodner, la cui introduzione del 1992 e il successivo libro di testo hanno plasmato il campo. L'articolo di Aamodt e Plaza del 1994 ha fornito il ciclo unificante Recupera-Riusa-Revisiona-Conserva (4R) che rimane la descrizione standard. Il CBR è diventato un ramo riconosciuto dell'IA basata sulla conoscenza e analogica, con applicazioni durature nella diagnosi, nel diritto, nella progettazione e nella raccomandazione, e si collega all'apprendimento del vicino più prossimo, ai rough set e ai metodi basati su istanze.
Quando usarlo
Utilizza il ragionamento basato su casi quando esistono buone soluzioni a istanze passate e sono riutilizzabili, il dominio è difficile da catturare in regole esplicite o in un modello statistico, e le spiegazioni basate su precedenti concreti sono apprezzate — i casi classici includono la diagnosi medica, il ragionamento legale (precedente), l'assistenza tecnica e gli help desk, la progettazione e la configurazione. È attraente quando i dati si accumulano in modo incrementale (ogni caso risolto è immediatamente utile) e quando la trasparenza è importante, poiché una raccomandazione può essere giustificata dal caso analogo da cui proviene. Dipende criticamente da una misura di somiglianza significativa e dalla conoscenza di adattamento; con metriche di somiglianza scadenti, nessun adattamento o una base di casi scarsa/distorta, si degrada, e per grandi set di dati omogenei un apprenditore statistico può generalizzare meglio.
Limiti e considerazioni
- La qualità dipende dalla misura di somiglianza e dalla conoscenza di adattamento, che possono essere difficili da ingegnerizzare.
- Una base di casi distorta o scarsa produce raccomandazioni scadenti o distorte.
- Il recupero può diventare lento man mano che la base di casi cresce senza una buona indicizzazione.
- Può generalizzare peggio dei modelli statistici su grandi set di dati omogenei.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Apprende in modo incrementale semplicemente conservando i casi risolti — nessun riaddestramento in batch.
- Trasparente e spiegabile: le raccomandazioni sono giustificate da casi analoghi concreti.
- Funziona in domini che resistono a regole esplicite o modelli parametrici.
- Gestisce naturalmente un corpo di esperienza in crescita ed evoluzione.
Applicazioni
- Diagnosi medica e raccomandazione di trattamento da pazienti passati simili.
- Ragionamento legale e recupero di precedenti.
- Supporto tecnico, help desk e diagnosi di guasti.
- Progettazione ingegneristica e configurazione di prodotti per analogia.
- Raccomandazione e pianificazione dove le soluzioni passate possono essere adattate.
Come funziona
Come funziona
Dato un nuovo problema (query), cerca nella base di casi i casi memorizzati più simili utilizzando una misura di somiglianza sulle caratteristiche del problema — spesso una distanza pesata o una metrica del vicino più prossimo, a volte con indicizzazione per la velocità. Il caso recuperato porta una soluzione che ha funzionato in una situazione analoga.
Formula
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)Adatta la soluzione recuperata per adattarla al nuovo problema. L'adattamento varia da nullo (copia la soluzione così com'è) alla sostituzione di parametri, all'adattamento trasformazionale guidato da regole di dominio. Questo passaggio trasforma 'ciò che ha funzionato prima' in una soluzione candidata per 'ora'.
Formula
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)Valuta la soluzione candidata — tramite simulazione, revisione di esperti o risultato nel mondo reale — e riparala se fallisce. La revisione è il momento in cui il CBR si confronta con il fatto che il caso passato era solo simile, non identico, e corregge la soluzione proposta di conseguenza.
Formula
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}Memorizza il nuovo problema insieme alla sua soluzione confermata (e alle lezioni apprese) nella base di casi. Questo è il meccanismo di apprendimento del CBR: il sistema migliora in modo incrementale man mano che accumula esperienza, senza una fase di addestramento separata.
Formula
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}Errori comuni
- Trattare il recupero (caso più vicino) come l'intero metodo e saltare l'adattamento e la revisione.
- Utilizzare una misura di somiglianza non pesata o ingenua che ignora quali caratteristiche contano realmente.
- Lasciare che la base di casi cresca senza manutenzione, accumulando casi ridondanti o obsoleti.
- Conservare soluzioni non verificate, il che propaga errori nel ragionamento futuro.
Domande frequenti
In cosa differisce il CBR dai k-nearest neighbours?
La classificazione del vicino più prossimo si ferma al recupero — predice da istanze simili. Il CBR va oltre: adatta la soluzione recuperata al nuovo problema (riuso), la valuta e la ripara (revisione), e memorizza il risultato (conservazione). Quindi il kNN è essenzialmente il passo di recupero del CBR senza adattamento, revisione o apprendimento esplicito tramite conservazione dei casi.
Il CBR ha bisogno di una fase di addestramento?
No. Il CBR non ha una fase di addestramento separata; ragiona direttamente dai casi memorizzati e impara conservando ogni caso appena risolto. Questo lo rende adatto a domini in cui la conoscenza si accumula in modo incrementale e dove il riaddestramento di un modello sarebbe impraticabile.
Cosa rende una buona misura di somiglianza per il CBR?
Una che riflette quali caratteristiche del problema determinano effettivamente la soluzione giusta, di solito una combinazione pesata di distanze tra caratteristiche con pesi impostati dalla conoscenza del dominio o appresi dai dati. Una misura di somiglianza scadente o non pesata è la causa più comune di scarse prestazioni del CBR.
Metodi correlati
Fonti
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
Apri il riferimento DOICopiato.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
Apri il riferimento DOICopiato.