Skip to content
Voltar aos resultados

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

Tamanho da fonte

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

1

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)
2

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)
3

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}
4

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

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

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

    Abrir referência DOI
    Copiado.