Fall-basierte Denken (CBR), weit gehend analysiert, ist der Prozess, neue auf den Lösungen ähnlicher voriger Probleme gestützte Probleme zu beheben. Ein Auto-Mechaniker, der einen Motor befestigt, indem er ein anderes Auto zurückruft, das ähnliche Symptome ausgestellt hat, verwendet das Fall-basierte Denken. Ein Rechtsanwalt, der ein besonderes Ergebnis in einer Probe verteidigt, die auf gesetzlichen Präzedenzfällen oder einem Richter gestützt ist, der Fallrecht schafft, verwendet das Fall-basierte Denken. Also, auch behandelt ein Ingenieur, der Arbeitselemente der Natur kopiert (sich biomimicry übend), Natur als eine Datenbank von Lösungen von Problemen. Das Fall-basierte Denken ist eine prominente Art des Analogie-Bildens.

Es ist behauptet worden, dass das Fall-basierte Denken nicht nur eine starke Methode für das Computerdenken, sondern auch ein durchdringendes Verhalten im täglichen menschlichen Problem-Lösen ist; oder, radikaler, dass das ganze Denken auf vorigen persönlich erfahrenen Fällen basiert. Diese Ansicht ist mit der Prototyp-Theorie verbunden, die in der Erkenntnistheorie am tiefsten erforscht wird.

Prozess

Das Fall-basierte Denken ist zum Zwecke des Computers formalisiert worden, der als ein Vier-Schritte-Prozess vernünftig urteilt:

1. Bekommen Sie wieder: In Anbetracht eines Zielproblems, bekommen Sie von Speicherfällen wieder, die für das Lösen davon wichtig sind. Ein Fall besteht aus einem Problem, seiner Lösung, und, normalerweise, Anmerkungen darüber, wie die Lösung abgeleitet wurde. Nehmen Sie zum Beispiel an, dass Fred Heidelbeere-Pfannkuchen vorbereiten will. Ein Anfänger-Koch seiend, ist die relevanteste Erfahrung, die er zurückrufen kann, diejenige, in der er erfolgreich einfache Pfannkuchen gemacht hat. Das Verfahren, dem er gefolgt ist, für die einfachen Pfannkuchen zusammen mit Rechtfertigungen für entlang dem Weg gemachte Entscheidungen zu machen, setzt den wiederbekommenen Fall von Fred ein.
2. Wiedergebrauch: Stellen Sie die Lösung vom vorherigen Fall bis das Zielproblem kartografisch dar. Das kann Anpassung der Lösung, wie erforderlich, einschließen die neue Situation passen. Im Pfannkuchen-Beispiel muss Fred seine wiederbekommene Lösung anpassen, die Hinzufügung von Heidelbeeren einzuschließen.
3. Revidieren Sie: Die vorherige Lösung der Zielsituation kartografisch dargestellt, prüfen Sie die neue Lösung in der echten Welt (oder eine Simulation) und revidieren Sie nötigenfalls. Nehmen Sie an, dass Fred seine Pfannkuchen-Lösung angepasst hat, indem er Heidelbeeren zur Böschung hinzugefügt hat. Nach dem Mischen entdeckt er, dass die Böschung blau - eine unerwünschte Wirkung geworden ist. Das deutet die folgende Revision an: Verzögern Sie die Hinzufügung von Heidelbeeren, bis die Böschung ladled in die Pfanne gewesen ist.
4. Behalten Sie: Nachdem die Lösung an das Zielproblem erfolgreich angepasst worden ist, versorgen Sie die resultierende Erfahrung als ein neuer Fall im Gedächtnis. Fred registriert entsprechend sein neuerfundenes Verfahren, um Heidelbeere-Pfannkuchen zu machen, dadurch seinen Satz von versorgten Erfahrungen und besserer Vorbereitung von ihm für zukünftige Pfannkuchen machende Anforderungen bereichernd.

Vergleich zu anderen Methoden

Auf den ersten Blick kann CBR ähnlich den Regel-Induktionsalgorithmen des Maschinenlernens scheinen. Wie ein Algorithmus der Regel-Induktion fängt CBR mit einer Reihe von Fällen oder Lehrbeispielen an; es bildet Generalisationen dieser Beispiele, obgleich implizite, indem es Allgemeinheiten zwischen einem wiederbekommenen Fall und dem Zielproblem identifiziert wird.

Wenn zum Beispiel ein Verfahren für einfache Pfannkuchen zu Heidelbeere-Pfannkuchen kartografisch dargestellt wird, wird eine Entscheidung getroffen, um dieselbe grundlegende Böschung und bratende Methode zu verwenden, so implizit den Satz von Situationen verallgemeinernd, unter denen die Böschung und bratende Methode verwendet werden können. Der Schlüsselunterschied, jedoch, zwischen der impliziten Generalisation in CBR und der Generalisation in der Regel-Induktion liegt darin, wenn die Generalisation gemacht wird. Ein Algorithmus der Regel-Induktion zieht seine Generalisationen von einer Reihe von Lehrbeispielen, bevor das Zielproblem sogar bekannt ist; d. h. es führt eifrige Generalisation durch.

Zum Beispiel, wenn ein Algorithmus der Regel-Induktion Rezepte für einfache Pfannkuchen, holländische Apfelpfannkuchen und Banane-Pfannkuchen als seine Lehrbeispiele gegeben würde, würde er, in der Lehrzeit, einer Reihe allgemeinen Regeln abstammen müssen, um alle Typen von Pfannkuchen zu machen. Es würde Zeit nicht bis zu prüfen, dass es, sagen wir, die Aufgabe des Kochens von Heidelbeere-Pfannkuchen gegeben würde. Die Schwierigkeit für den Algorithmus der Regel-Induktion ist im Vorwegnehmen der verschiedenen Richtungen, in denen es versuchen sollte, seine Lehrbeispiele zu verallgemeinern. Das ist im Gegensatz zu CBR, der (implizite) Generalisation seiner Fälle bis zur Prüfung der Zeit - eine Strategie der faulen Generalisation verzögert. Im Pfannkuchen-Beispiel ist CBR bereits das Zielproblem des Kochens von Heidelbeere-Pfannkuchen gegeben worden; so kann es seine Fälle, genau wie erforderlich, verallgemeinern diese Situation bedecken. CBR neigt deshalb dazu, eine gute Annäherung für reiche, komplizierte Gebiete zu sein, in denen es unzählige Weisen gibt, einen Fall zu verallgemeinern.

Kritik

Kritiker von CBR behaupten, dass es eine Annäherung ist, die anekdotische Beweise als sein Hauptbetriebsgrundsatz akzeptiert. Ohne statistisch relevante Daten für die Unterstützung und implizite Generalisation gibt es keine Garantie, dass die Generalisation richtig ist. Jedoch basiert das ganze induktive Denken, wo Daten für die statistische Relevanz zu knapp ist, von Natur aus auf anekdotischen Beweisen.

Es gibt neue Arbeit, die CBR innerhalb eines statistischen Fachwerks entwickelt und Fall-basierte Schlussfolgerung als ein spezifischer Typ der probabilistic Schlussfolgerung formalisiert; so wird es möglich, Fall-basierte mit einem bestimmten Niveau des Vertrauens ausgestattete Vorhersagen zu erzeugen.

Geschichte

CBR verfolgt seine Wurzeln zur Arbeit von Roger Schank und seinen Studenten an der Yale Universität am Anfang der 1980er Jahre. Das Modell von Schank des dynamischen Gedächtnisses war die Basis für die frühsten CBR Systeme: Der CYRUS von Janet Kolodner und der IPP von Michael Lebowitz.

Andere Schulen von CBR und nah verbundenen Feldern sind in den 1980er Jahren erschienen, solche Themen wie CBR im gesetzlichen Denken, speicherbasierten Denken (eine Weise untersuchend, von Beispielen auf massiv parallelen Maschinen vernünftig zu urteilen), und Kombinationen von CBR mit anderen vernünftig urteilenden Methoden. In den 1990er Jahren ist das Interesse an CBR in der internationalen Gemeinschaft, wie gezeigt, durch die Errichtung einer Internationalen Konferenz für das Fall-basierte Denken 1995, sowie europäischer, deutscher, britischer, italienischer und anderer CBR Werkstätten gewachsen.

CBR Technologie hat mehrere erfolgreiche aufmarschierte Systeme, das frühste erzeugt, das der CLAVIER von Lockheed, ein System ist, um zerlegbare in einem Industrieheißluftherd zu backende Teile anzulegen. CBR ist umfassend in Hilfsschreibtisch-Anwendungen wie der Compaq KLUGES System verwendet worden und hat ein Hauptanwendungsgebiet in den Gesundheitswissenschaften gefunden.

Prominente CBR Systeme

• KLUG: Unterstützungsmanagement hat das Denken der Technologie für den Kundendienst von Compaq automatisiert
• Gerät-Anruf-Zentrum-Automation an General Electric
• CLAVIER: Verwendung des Fall-basierten Denkens auf der zerlegbaren Teil-Herstellung
• FormTool: Plastikfarbe das Zusammenbringen
• CoolAir: HVAC Spezifizierung und Preiskalkulationssystem
• Vidur - Ein CBR hat intelligentes Beratungssystem durch C-DAC Mumbai für Bauern des Nordöstlichen Indiens gestützt.
• jCOLIBRI - Ein CBR Fachwerk, das verwendet werden kann, um andere kundenspezifische benutzerbestimmte CBR Systeme zu bauen.

Siehe auch

• Entscheidungsbaum
• Genetischer Algorithmus
• Muster, das zusammenpasst
• Analogie
• K-Linie (künstliche Intelligenz)
• Kräuseln Sie unten Regeln
• Kasuistik
• Ähnlichkeit heuristischer

Für die weiterführende Literatur

• Aamodt, Agnar und das Enric Plaza. "Das Fall-basierte Denken: Probleme von Foundational, Methodologische Schwankungen und" Annäherungssystemkommunikationen der Künstlichen Intelligenz 7, Nr. 1 (1994): 39-52.
• Althoff, Klaus-Dieter, Ralph Bergmann, und L. Karl Branting, Hrsg. das Fall-basierte Denken der Forschung und Entwicklung: Verhandlungen der Dritten Internationalen Konferenz für das Fall-basierte Denken. Berlin: Springer Verlag, 1999.
• Kolodner, Janet. Das Fall-basierte Denken. San Mateo: Morgan Kaufmann, 1993.
• Leake, David. "CBR im Zusammenhang: Die Gegenwart und Zukunft", In Leake, D., Redakteur, dem Fall-basierten Denken: Erfahrungen, Lehren und Zukünftige Richtungen. AAAI Press/MIT Presse, 1996, 1-30.
• Leake, David und das Enric Plaza, Hrsg. das Fall-basierte Denken der Forschung und Entwicklung: Verhandlungen der Zweiten Internationalen Konferenz für das Fall-basierte Denken. Berlin: Springer Verlag, 1997.
• Oxman, Rivka. Präzedenzfälle im Design: ein Rechenbetontes Modell für die Organisation von Präzedenzfall-Kenntnissen, Designstudien, Vol. 15 Seiten Nr. 2 141-157
• Riesbeck, Christopher und Roger Schank. Innerhalb des Fall-basierten Denkens. Northvale, New Jersey: Erlbaum, 1989.
• Veloso, Manuela, und Agnar Aamodt, Hrsg. das Fall-basierte Denken der Forschung und Entwicklung: Verhandlungen der Ersten Internationalen Konferenz für das Fall-basierte Denken. Berlin: Springer Verlag, 1995.
• Spaziergänger, Donald. "Ähnlichkeitsentschluss und Fall-Wiederauffindung in einem Intelligenten Entscheidungshilfe-System für das Zuckerkrankheitsmanagement", 2007
• Watson, Ian. "Verwendung des Fall-basierten Denkens: Techniken für Unternehmenssysteme". Elsevier, 1997.

Links

• Das Fall-basierte Denken Wiki

----

Eine frühere Version des obengenannten Artikels wurde auf Nupedia angeschlagen.