Raciocínio Baseado em Casos (CBR)
- Proposto por
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- Ano
- 1994
- Tipo
- Experience-based (analogical) problem solving
- Família
- Case-based reasoning
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
O raciocínio baseado em casos (CBR) resolve um novo problema recuperando problemas semelhantes resolvidos no passado e adaptando suas soluções, em vez de raciocinar a partir de princípios fundamentais ou de um modelo estatístico treinado.
Formalizado como o ciclo Recuperar-Reutilizar-Revisar-Reter (Retrieve-Reuse-Revise-Retain) por Aamodt e Plaza em 1994 e popularizado por Janet Kolodner, o CBR espelha como especialistas humanos em medicina, direito e engenharia raciocinam por analogia a partir de casos lembrados, e aprende simplesmente armazenando cada caso recém-resolvido.
A intuição por trás do método
Um médico diante de um paciente difícil não deriva a medicina do zero; ele se lembra de pacientes semelhantes e do que funcionou para eles, e então ajusta para as diferenças deste paciente. O CBR codifica exatamente isso: ele mantém uma biblioteca de casos passados (problema mais sua solução), encontra o caso passado mais semelhante ao novo problema, reutiliza essa solução com adaptações, verifica se funcionou e arquiva a nova experiência para a próxima vez. O conhecimento é, portanto, concreto e baseado em exemplos, não um conjunto de regras abstratas, o que torna o CBR natural para domínios onde a experiência importa mais do que a teoria.
História
O raciocínio baseado em casos cresceu a partir do trabalho de Roger Schank sobre memória dinâmica e scripts no início dos anos 1980 e foi desenvolvido em uma metodologia prática por Janet Kolodner, cuja introdução de 1992 e o subsequente livro didático moldaram o campo. O artigo de 1994 de Aamodt e Plaza forneceu o ciclo unificador Recuperar-Reutilizar-Revisar-Reter (4R) que permanece a descrição padrão. O CBR tornou-se um ramo reconhecido de IA baseada em conhecimento e analógica, com aplicações duradouras em diagnóstico, direito, design e recomendação, e se conecta ao aprendizado de vizinho mais próximo, conjuntos aproximados e métodos baseados em instância.
Quando usar
Utilize o raciocínio baseado em casos quando boas soluções para instâncias passadas existem e são reutilizáveis, o domínio é difícil de capturar em regras explícitas ou um modelo estatístico, e explicações fundamentadas em precedentes concretos são valorizadas — aplicações clássicas incluem diagnóstico médico, raciocínio jurídico (precedente), suporte técnico e de help-desk, design e configuração. É atraente quando os dados se acumulam incrementalmente (cada caso resolvido é imediatamente útil) e quando a transparência importa, pois uma recomendação pode ser justificada pelo caso análogo de onde veio. Depende criticamente de uma medida de similaridade significativa e de conhecimento de adaptação; com métricas de similaridade ruins, sem adaptação, ou uma base de casos esparsa/viesada, ele se degrada, e para grandes conjuntos de dados suaves um aprendiz estatístico pode generalizar melhor.
Limitações e considerações
- A qualidade depende da medida de similaridade e do conhecimento de adaptação, que podem ser difíceis de projetar.
- Uma base de casos viesada ou esparsa produz recomendações ruins ou distorcidas.
- A recuperação pode se tornar lenta à medida que a base de casos cresce sem boa indexação.
- Pode generalizar pior do que modelos estatísticos em conjuntos de dados grandes e suaves.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Aprende incrementalmente simplesmente retendo casos resolvidos — sem retreinamento em lote.
- Transparente e explicável: recomendações são justificadas por casos análogos concretos.
- Funciona em domínios que resistem a regras explícitas ou modelos paramétricos.
- Naturalmente lida com um corpo de experiência crescente e em evolução.
Aplicações
- Diagnóstico médico e recomendação de tratamento a partir de pacientes passados semelhantes.
- Raciocínio jurídico e recuperação de precedentes.
- Suporte técnico, help desks e diagnóstico de falhas.
- Design de engenharia e configuração de produtos por analogia.
- Recomendação e planejamento onde soluções passadas podem ser adaptadas.
Como funciona
Como funciona
Dado um novo problema (consulta), busca-se na base de casos o(s) caso(s) armazenado(s) mais semelhante(s) usando uma medida de similaridade sobre as características do problema — frequentemente uma distância ponderada ou métrica de vizinho mais próximo, às vezes com indexação para velocidade. O caso recuperado carrega uma solução que funcionou em uma situação análoga.
Fórmula
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)Adapta-se a solução recuperada para se ajustar ao novo problema. A adaptação varia de nula (copiar a solução como está) à substituição de parâmetros, à adaptação transformacional guiada por regras de domínio. Esta etapa transforma 'o que funcionou antes' em uma solução candidata para 'agora'.
Fórmula
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)Avalia-se a solução candidata — por simulação, revisão de especialista ou resultado no mundo real — e repara-se se ela falhar. A revisão é onde o CBR confronta o fato de que o caso passado era apenas semelhante, não idêntico, e corrige a solução proposta de acordo.
Fórmula
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}Armazena-se o novo problema juntamente com sua solução confirmada (e lições aprendidas) de volta na base de casos. Este é o mecanismo de aprendizado do CBR: o sistema melhora incrementalmente à medida que acumula experiência, sem uma fase de treinamento separada.
Fórmula
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}Erros comuns
- Tratar a recuperação (caso mais próximo) como o método inteiro e pular adaptação e revisão.
- Usar uma medida de similaridade não ponderada ou ingênua que ignora quais características realmente importam.
- Deixar a base de casos crescer sem manutenção, acumulando casos redundantes ou obsoletos.
- Reter soluções não verificadas, o que propaga erros para o raciocínio futuro.
Perguntas frequentes
Como o CBR difere do k-vizinhos mais próximos?
A classificação de vizinho mais próximo para no na recuperação — ela prevê a partir de instâncias semelhantes. O CBR vai além: ele adapta a solução recuperada ao novo problema (reutiliza), avalia e repara (revisa), e armazena o resultado (retem). Portanto, kNN é essencialmente a etapa de recuperação do CBR sem adaptação, revisão ou aprendizado explícito por retenção de casos.
O CBR precisa de uma fase de treinamento?
Não. O CBR não tem uma etapa de treinamento separada; ele raciocina diretamente a partir de casos armazenados e aprende retendo cada caso recém-resolvido. Isso o torna bem adequado para domínios onde o conhecimento se acumula incrementalmente e onde retreinar um modelo seria impraticável.
O que torna uma medida de similaridade boa para o CBR?
Uma que reflita quais características do problema realmente determinam a solução correta, geralmente uma combinação ponderada de distâncias de características com pesos definidos por conhecimento de domínio ou aprendidos a partir de dados. Uma medida de similaridade ruim ou não ponderada é a causa mais comum de desempenho fraco do CBR.
Métodos relacionados
Fontes
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
Abrir referência DOICopiado.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
Abrir referência DOICopiado.