Skip to content
กลับไปยังผลการค้นหา

Case-Based Reasoning (CBR)

ผู้เสนอ
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
ปี
1994
ประเภท
Experience-based (analogical) problem solving
กลุ่มวิธี
Case-based reasoning

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การให้เหตุผลโดยอิงจากกรณี (Case-Based Reasoning: CBR) ใช้แก้ปัญหาใหม่โดยการค้นหากรณีที่คล้ายคลึงกันซึ่งเคยแก้ไขได้ในอดีตและปรับปรุงแก้ไขวิธีแก้ปัญหานั้นๆ แทนที่จะเป็นการให้เหตุผลจากหลักการพื้นฐานหรือแบบจำลองทางสถิติที่ได้รับการฝึกฝนมา CBR ถูกกำหนดรูปแบบเป็นวัฏจักร Retrieve-Reuse-Revise-Retain (ค้นหา-นำกลับมาใช้ใหม่-แก้ไข-เก็บรักษา) โดย Aamodt และ Plaza ในปี 1994 และได้รับความนิยมโดย Janet Kolodner CBR เลียนแบบวิธีการที่ผู้เชี่ยวชาญของมนุษย์ในสาขาการแพทย์ กฎหมาย และวิศวกรรมให้เหตุผลโดยการเปรียบเทียบจากกรณีที่จดจำได้ และเรียนรู้โดยการจัดเก็บแต่ละกรณีที่แก้ไขได้ใหม่แต่ละกรณี

แนวคิดเบื้องหลังวิธีการ

แพทย์ที่เผชิญหน้ากับผู้ป่วยที่มีอาการซับซ้อนไม่ได้เริ่มจากการสร้างความรู้ทางการแพทย์ใหม่ทั้งหมด แต่จะนึกถึงผู้ป่วยที่มีอาการคล้ายคลึงกันและวิธีการรักษาที่ได้ผลสำหรับผู้ป่วยเหล่านั้น แล้วจึงปรับเปลี่ยนให้เข้ากับลักษณะเฉพาะของผู้ป่วยรายปัจจุบัน CBR เข้ารหัสกระบวนการนี้อย่างแม่นยำ: ระบบจะเก็บรักษาคลังข้อมูลกรณีในอดีต (ปัญหาพร้อมวิธีแก้ปัญหา) ค้นหากรณีในอดีตที่คล้ายคลึงกับปัญหาใหม่มากที่สุด นำวิธีแก้ปัญหานั้นมาปรับใช้ ตรวจสอบว่าได้ผลหรือไม่ และจัดเก็บประสบการณ์ใหม่ไว้สำหรับครั้งต่อไป ดังนั้น ความรู้จึงเป็นรูปธรรมและอิงตามตัวอย่าง ไม่ใช่ชุดของกฎนามธรรม ซึ่งทำให้ CBR เหมาะสมตามธรรมชาติสำหรับโดเมนที่ประสบการณ์มีความสำคัญมากกว่าทฤษฎี

ประวัติศาสตร์

การให้เหตุผลโดยอิงจากกรณีมีรากฐานมาจากการทำงานของ Roger Schank เกี่ยวกับหน่วยความจำแบบไดนามิกและสคริปต์ในช่วงต้นทศวรรษ 1980 และได้รับการพัฒนาเป็นระเบียบวิธีที่ใช้งานได้จริงโดย Janet Kolodner ซึ่งบทนำในปี 1992 และตำราเรียนต่อมาได้กำหนดทิศทางของสาขานี้ บทความของ Aamodt และ Plaza ในปี 1994 ได้นำเสนอวัฏจักร Retrieve-Reuse-Revise-Retain (4R) ที่เป็นเอกภาพ ซึ่งยังคงเป็นการอธิบายมาตรฐาน CBR ได้กลายเป็นสาขาหนึ่งของ AI ที่อิงตามความรู้และแบบอนุมาน (analogical AI) ที่ได้รับการยอมรับ โดยมีการประยุกต์ใช้ที่ยั่งยืนในการวินิจฉัย กฎหมาย การออกแบบ และการแนะนำ และเชื่อมโยงกับการเรียนรู้เพื่อนบ้านใกล้สุด (nearest-neighbour learning) เซตแบบหยาบ (rough sets) และวิธีการอิงตามกรณี (instance-based methods)

ควรใช้เมื่อใด

ใช้การให้เหตุผลโดยอิงจากกรณีเมื่อมีวิธีแก้ปัญหาที่ดีสำหรับกรณีในอดีตและสามารถนำกลับมาใช้ใหม่ได้ โดเมนนั้นยากต่อการสรุปเป็นกฎที่ชัดเจนหรือแบบจำลองทางสถิติ และการอธิบายที่อิงตามกรณีที่เป็นแบบอย่าง (precedents) เป็นที่ต้องการ — ตัวอย่างที่เหมาะสม ได้แก่ การวินิจฉัยทางการแพทย์ การให้เหตุผลทางกฎหมาย (precedent) การสนับสนุนทางโทรศัพท์และฝ่ายเทคนิค การออกแบบ และการกำหนดค่า (configuration) เป็นที่น่าสนใจเมื่อข้อมูลสะสมเพิ่มขึ้นเรื่อยๆ (แต่ละกรณีที่แก้ไขได้มีประโยชน์ทันที) และเมื่อความโปร่งใสมีความสำคัญ เนื่องจากคำแนะนำสามารถให้เหตุผลได้จากกรณีที่คล้ายคลึงกันซึ่งมาจากมัน การทำงานนี้ขึ้นอยู่กับมาตรวัดความคล้ายคลึงที่มีความหมายและความรู้ในการปรับปรุงแก้ไขอย่างยิ่ง หากมาตรวัดความคล้ายคลึงไม่ดี ไม่มีการปรับปรุง หรือฐานข้อมูลกรณีมีน้อย/มีอคติ ระบบจะเสื่อมประสิทธิภาพลง และสำหรับชุดข้อมูลขนาดใหญ่ที่ราบรื่น แบบจำลองทางสถิติอาจให้ผลการสรุปทั่วไปได้ดีกว่า

ข้อจำกัดและข้อควรพิจารณา

  • คุณภาพขึ้นอยู่กับมาตรวัดความคล้ายคลึงและความรู้ในการปรับปรุงแก้ไข ซึ่งอาจสร้างได้ยาก
  • ฐานข้อมูลกรณีที่มีอคติหรือเบาบางให้คำแนะนำที่ไม่ดีหรือบิดเบือน
  • การค้นหาอาจช้าลงเมื่อฐานข้อมูลกรณีเติบโตขึ้นโดยไม่มีการจัดทำดัชนีที่ดี
  • อาจสรุปทั่วไปได้แย่กว่าแบบจำลองทางสถิติบนชุดข้อมูลขนาดใหญ่ที่ราบรื่น

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • เรียนรู้ทีละน้อยโดยการเก็บรักษากรณีที่แก้ไขได้ — ไม่มีการฝึกฝนใหม่แบบกลุ่ม
  • โปร่งใสและสามารถอธิบายได้: คำแนะนำมีเหตุผลจากกรณีที่คล้ายคลึงกันที่เป็นรูปธรรม
  • ทำงานได้ในโดเมนที่ต่อต้านกฎที่ชัดเจนหรือแบบจำลองพารามิเตอร์
  • จัดการกับชุดประสบการณ์ที่เติบโตและเปลี่ยนแปลงไปตามธรรมชาติ

การประยุกต์ใช้

  • การวินิจฉัยทางการแพทย์และการแนะนำการรักษาจากผู้ป่วยในอดีตที่คล้ายคลึงกัน
  • การให้เหตุผลทางกฎหมายและการค้นหากรณีที่เป็นแบบอย่าง (precedent retrieval)
  • การสนับสนุนทางเทคนิค ศูนย์ช่วยเหลือ และการวินิจฉัยความผิดพลาด
  • การออกแบบทางวิศวกรรมและการกำหนดค่าผลิตภัณฑ์โดยการเปรียบเทียบ
  • การแนะนำและการวางแผนที่วิธีแก้ปัญหาในอดีตสามารถนำมาปรับใช้ได้

วิธีการทำงาน

วิธีการทำงาน

1

เมื่อได้รับปัญหาใหม่ (query) ให้ค้นหาในฐานข้อมูลกรณี (case base) เพื่อหากรณีที่เก็บรักษาไว้ซึ่งมีความคล้ายคลึงกันมากที่สุด โดยใช้มาตรวัดความคล้ายคลึง (similarity measure) กับคุณลักษณะของปัญหา ซึ่งมักจะเป็นระยะทางแบบถ่วงน้ำหนัก (weighted distance) หรือเมตริกเพื่อนบ้านใกล้สุด (nearest-neighbour metric) บางครั้งอาจมีการจัดทำดัชนี (indexing) เพื่อเพิ่มความเร็ว กรณีที่ดึงมาได้จะนำเสนอวิธีแก้ปัญหาที่เคยได้ผลในสถานการณ์ที่คล้ายคลึงกัน

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

ปรับปรุงวิธีแก้ปัญหาที่ดึงมาได้ให้เหมาะสมกับปัญหาใหม่ การปรับปรุงมีตั้งแต่ไม่มีการเปลี่ยนแปลง (คัดลอกวิธีแก้ปัญหาตามที่เป็นอยู่) ไปจนถึงการแทนที่พารามิเตอร์ ไปจนถึงการปรับปรุงแบบแปลง (transformational adaptation) โดยอาศัยกฎของโดเมน ขั้นตอนนี้จะเปลี่ยน 'สิ่งที่เคยได้ผลมาก่อน' ให้เป็นวิธีแก้ปัญหาที่เป็นไปได้สำหรับ 'ตอนนี้'

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

ประเมินวิธีแก้ปัญหาที่เป็นไปได้ (candidate solution) — โดยการจำลอง (simulation) การตรวจสอบโดยผู้เชี่ยวชาญ (expert review) หรือผลลัพธ์ในโลกแห่งความเป็นจริง (real-world outcome) — และแก้ไขหากไม่สำเร็จ การแก้ไขคือจุดที่ CBR เผชิญหน้ากับข้อเท็จจริงที่ว่ากรณีในอดีตมีความคล้ายคลึงกันเท่านั้น ไม่ใช่เหมือนกันทุกประการ และแก้ไขวิธีแก้ปัญหาที่เสนอตามนั้น

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

จัดเก็บปัญหาใหม่พร้อมกับวิธีแก้ปัญหาที่ได้รับการยืนยัน (และบทเรียนที่ได้รับ) กลับเข้าไปในฐานข้อมูลกรณี นี่คือกลไกการเรียนรู้ของ CBR: ระบบจะปรับปรุงอย่างต่อเนื่องเมื่อสะสมประสบการณ์ โดยไม่มีขั้นตอนการฝึกฝนแยกต่างหาก

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

ข้อผิดพลาดที่พบบ่อย

  • การปฏิบัติต่อการค้นหา (กรณีที่ใกล้ที่สุด) เสมือนเป็นวิธีการทั้งหมดและข้ามการปรับปรุงแก้ไข
  • การใช้มาตรวัดความคล้ายคลึงที่ไม่ถ่วงน้ำหนักหรือแบบง่ายๆ ที่ไม่คำนึงถึงคุณลักษณะใดที่สำคัญจริงๆ
  • การปล่อยให้ฐานข้อมูลกรณีเติบโตโดยไม่ได้รับการดูแล สะสมกรณีที่ซ้ำซ้อนหรือล้าสมัย
  • การเก็บรักษาวิธีแก้ปัญหาที่ยังไม่ได้รับการตรวจสอบ ซึ่งแพร่กระจายข้อผิดพลาดไปยังการให้เหตุผลในอนาคต

คำถามที่พบบ่อย

CBR แตกต่างจาก k-nearest neighbours อย่างไร?

การจำแนกประเภทเพื่อนบ้านใกล้สุด (Nearest-neighbour classification) จะหยุดที่การค้นหา — ระบบจะคาดการณ์จากกรณีที่คล้ายคลึงกัน CBR ก้าวไปไกลกว่านั้น: ระบบจะปรับปรุงวิธีแก้ปัญหาที่ดึงมาได้ให้เข้ากับปัญหาใหม่ (นำกลับมาใช้ใหม่) ประเมินและแก้ไข (revise) และจัดเก็บผลลัพธ์ (retain) ดังนั้น kNN จึงเป็นขั้นตอนการค้นหาของ CBR โดยไม่มีการปรับปรุงแก้ไข หรือการเรียนรู้ที่ชัดเจนโดยการเก็บรักษากรณี

CBR จำเป็นต้องมีขั้นตอนการฝึกฝนหรือไม่?

ไม่ CBR ไม่มีขั้นตอนการฝึกฝนแยกต่างหาก ระบบให้เหตุผลโดยตรงจากกรณีที่จัดเก็บไว้และเรียนรู้โดยการเก็บรักษากรณีที่แก้ไขได้แต่ละกรณี ซึ่งทำให้เหมาะสมกับโดเมนที่ความรู้สะสมเพิ่มขึ้นทีละน้อยและที่การฝึกฝนแบบจำลองใหม่จะทำได้ไม่สะดวก

อะไรคือมาตรวัดความคล้ายคลึงที่ดีสำหรับ CBR?

มาตรวัดที่สะท้อนว่าคุณลักษณะของปัญหาใดที่กำหนดวิธีแก้ปัญหาที่ถูกต้อง โดยทั่วไปคือการรวมกันแบบถ่วงน้ำหนักของระยะทางของคุณลักษณะ โดยมีน้ำหนักที่กำหนดโดยความรู้ของโดเมนหรือเรียนรู้จากข้อมูล มาตรวัดความคล้ายคลึงที่ไม่ดีหรือไม่ถ่วงน้ำหนักเป็นสาเหตุที่พบบ่อยที่สุดของประสิทธิภาพ CBR ที่อ่อนแอ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว