Örnek Temelli Akıl Yürütme (ÖTA)
- Ortaya koyan
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- Yıl
- 1994
- Tür
- Experience-based (analogical) problem solving
- Aile
- Case-based reasoning
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Örnek temelli akıl yürütme, yeni bir problemi, ilk prensiplerden veya eğitilmiş bir istatistiksel modelden akıl yürütmek yerine, geçmişte çözülmüş benzer problemlerin geri çağrılması ve çözümlerinin uyarlanması yoluyla çözer.
Aamodt ve Plaza tarafından 1994'te Geri Çağır-Yeniden Kullan-Düzelt-Sakla döngüsü olarak biçimlendirilmiş ve Janet Kolodner tarafından popülerleştirilmiş olan ÖTA, tıp, hukuk ve mühendislik alanlarındaki uzmanların hatırlanan örneklerden analoji yoluyla nasıl akıl yürüttüğünü yansıtır ve her yeni çözülen örneği saklayarak basitçe öğrenir.
Yöntemin mantığı
Zor bir hastayla karşı karşıya kalan bir doktor, tıbbı sıfırdan yeniden türetmez; benzer hastaları ve onlara neyin işe yaradığını hatırlar, ardından bu hastanın farklılıkları için ayarlar. ÖTA tam olarak bunu kodlar: geçmiş örneklerden oluşan bir kütüphane tutar (problem artı çözümü), yeni probleme en çok benzeyen geçmiş örneği bulur, bu çözümü uyarlamalarla yeniden kullanır, işe yarayıp yaramadığını kontrol eder ve yeni deneyimi bir sonraki sefere saklamak üzere dosyalar. Bu nedenle bilgi, soyut kurallar kümesi yerine somut ve örneğe dayalıdır, bu da ÖTA'yı teoriden çok deneyimin önemli olduğu alanlar için doğal kılar.
Tarih
Örnek temelli akıl yürütme, Roger Schank'ın 1980'lerin başındaki dinamik bellek ve senaryolar üzerine çalışmalarından doğmuş ve alanını şekillendiren 1992'deki tanıtımı ve sonraki ders kitabı ile Janet Kolodner tarafından pratik bir metodolojiye dönüştürülmüştür. Aamodt ve Plaza'nın 1994 tarihli makalesi, standart tanım olarak kalan birleştirici Geri Çağır-Yeniden Kullan-Düzelt-Sakla (4R) döngüsünü sağlamıştır. ÖTA, teşhis, hukuk, tasarım ve öneri alanlarında kalıcı uygulamalarla bilgi tabanlı ve analojik yapay zekanın tanınmış bir dalı haline gelmiş ve en yakın komşu öğrenme, kaba kümeler ve örnek tabanlı yöntemlerle bağlantı kurmuştur.
Ne zaman kullanılır?
İyi çözümlerin geçmiş örnekler için mevcut olduğu ve yeniden kullanılabilir olduğu, alanın açık kurallar veya istatistiksel bir modelle yakalanmasının zor olduğu ve somut emsallere dayanan açıklamaların değerli olduğu durumlarda örnek temelli akıl yürütme kullanın — klasik örnekler arasında tıbbi teşhis, hukuki akıl yürütme (emsal), yardım masası ve teknik destek, tasarım ve yapılandırma yer alır. Verilerin artımlı olarak biriktiği (çözülen her örnek hemen kullanışlıdır) ve şeffaflığın önemli olduğu durumlarda çekicidir, çünkü bir öneri geldiği benzer örnekle gerekçelendirilebilir. Kritik olarak anlamlı bir benzerlik ölçüsüne ve uyarlama bilgisine bağlıdır; zayıf benzerlik metrikleri, uyarlama olmaması veya seyrek/önyargılı bir örnek tabanı ile bozulur ve büyük düz veri kümeleri için istatistiksel bir öğrenici daha iyi genelleme yapabilir.
Sınırlar ve dikkat edilmesi gerekenler
- Kalite, mühendislik yapılması zor olabilen benzerlik ölçüsüne ve uyarlama bilgisine bağlıdır.
- Önyargılı veya seyrek bir örnek tabanı zayıf veya çarpık önerilere yol açar.
- İyi indeksleme olmadan örnek tabanı büyüdükçe geri çağırma yavaşlayabilir.
- Büyük, düz veri kümelerinde istatistiksel modellerden daha kötü genelleme yapabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Sadece çözülmüş örnekleri saklayarak artımlı olarak öğrenir — toplu yeniden eğitim yok.
- Şeffaf ve açıklanabilir: öneriler somut benzer örneklerle gerekçelendirilir.
- Açık kuralları veya parametrik modelleri reddeden alanlarda çalışır.
- Büyüyen, gelişen bir deneyim kümesini doğal olarak yönetir.
Uygulama alanları
- Benzer geçmiş hastalardan tıbbi teşhis ve tedavi önerisi.
- Hukuki akıl yürütme ve emsal geri çağırma.
- Teknik destek, yardım masaları ve arıza teşhisi.
- Mühendislik tasarımı ve ürün yapılandırması yoluyla analoji.
- Geçmiş çözümlerin uyarlanabileceği öneri ve planlama.
Nasıl çalışır?
Nasıl çalışır?
Yeni bir problem (sorgu) verildiğinde, genellikle ağırlıklı bir mesafe veya en yakın komşu metriği olan, bazen hız için indeksleme ile birlikte, problemin özelliklerine göre bir benzerlik ölçüsü kullanılarak örnek tabanında en çok benzeyen saklanmış örneği/örnekleri arayın. Geri çağrılan örnek, benzer bir durumda işe yaramış bir çözüm taşır.
Formül
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)Geri çağrılan çözümü yeni probleme uyacak şekilde uyarlayın. Uyarlama, çözümü olduğu gibi kopyalamaktan, parametrelerin değiştirilmesine, alan kuralları tarafından yönlendirilen dönüştürücü uyarlamaya kadar değişir. Bu adım, 'önceden işe yarayanı' 'şimdi' için aday bir çözüme dönüştürür.
Formül
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)Aday çözümü simülasyon, uzman incelemesi veya gerçek dünya sonucu ile değerlendirin ve başarısız olursa onarın. Revizyon, ÖTA'nın geçmiş örneğin sadece benzer olduğunu, özdeş olmadığını fark ettiği ve önerilen çözümü buna göre düzelttiği yerdir.
Formül
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}Yeni problemi, onaylanmış çözümü (ve öğrenilen derslerle birlikte) ile birlikte örnek tabanına geri saklayın. Bu, ÖTA'nın öğrenme mekanizmasıdır: sistem, deneyim biriktirdikçe ayrı bir eğitim aşaması olmaksızın artımlı olarak gelişir.
Formül
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}Sık yapılan hatalar
- Geri çağırmayı (en yakın örnek) yöntemin tamamı olarak ele almak ve uyarlama ile revizyonu atlamak.
- Gerçekten hangi özelliklerin önemli olduğunu göz ardı eden ağırlıksız veya basit bir benzerlik ölçüsü kullanmak.
- Örnek tabanının bakımsız büyümesine izin vererek, gereksiz veya modası geçmiş örneklerin birikmesine neden olmak.
- Hataları gelecekteki akıl yürütmeye yayan doğrulanmamış çözümleri saklamak.
Sık sorulan sorular
ÖTA, k-en yakın komşulardan nasıl farklıdır?
En yakın komşu sınıflandırması geri çağırmada durur — benzer örneklerden tahmin yapar. ÖTA daha ileri gider: geri çağrılan çözümü yeni probleme uyarlar (yeniden kullanır), değerlendirir ve onarır (düzeltir) ve sonucu saklar (saklar). Bu nedenle kNN, uyarlama, revizyon veya örnek saklama yoluyla açık öğrenme olmaksızın ÖTA'nın geri çağırma adımıdır.
ÖTA bir eğitim aşaması gerektirir mi?
Hayır. ÖTA'nın ayrı bir eğitim adımı yoktur; doğrudan saklanan örneklerden akıl yürütür ve her yeni çözülen örneği saklayarak öğrenir. Bu, bilginin artımlı olarak biriktiği ve bir modeli yeniden eğitmenin pratik olmayacağı alanlar için uygun olmasını sağlar.
ÖTA için iyi bir benzerlik ölçüsünü ne yapar?
Hangi problem özelliklerinin doğru çözümü belirlediğini yansıtan, genellikle alan bilgisiyle ayarlanmış veya verilerden öğrenilmiş ağırlıklarla özellik mesafelerinin ağırlıklı bir kombinasyonu. Zayıf veya ağırlıksız bir benzerlik ölçüsü, zayıf ÖTA performansının en yaygın nedenidir.
İlgili yöntemler
Kaynaklar
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
DOI kaynağını açKopyalandı.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
DOI kaynağını açKopyalandı.