Razonamiento Basado en

Casos

Universidad Mariano Gálvez

Sumario

• Definiciones

• Cómo se vincula el RBC a la

Inteligencia Artificial?

• Paradigma del Razonamiento Basado

en Casos

• El Ciclo del RBC

• Procesos de Recuperación,

Reutilización, Revisión y Retención

Inteligencia Artificial

• Es la implementación de actividades

que se asocian con el pensamiento

humano (tomar decisiones, resolver

problemas y aprender) en una máquina

que muestre cierta inteligencia.

RBC

• En la década del 80 surgió un nuevo

paradigma de la IA,

el RBC.

Razonamiento Basado en Casos

• Es por un lado la forma en la cual la

gente utiliza casos para resolver

problemas, y por otro, las formas con las

que podemos hacer que las máquinas los

utilicen. (Kolodner – 1993)

• Es una reciente aproximación para

resolución de problemas y aprendizaje.

• Aamodt & Plaza - 1994

Razonamiento Basado en Casos

• Resuelve nuevos problemas adaptando

soluciones utilizadas en problemas

anteriores. (Riesbeck & Shank – 1989)

• Es la Resolución de un problema nuevo

recordando una situación similar previa

y reutilizando su información y

conocimiento.

Razonamiento Basado en Casos

• Gran cantidad de problemas

resueltos por los humanos se basa

en la combinación de conocimiento

de fondo y de casos pasados.

Características Generales

• El razonamiento es más un proceso de recordar

y modificar que de descomponer y recomponer.

• La segunda vez que se hace una tarea o un

trabajo es más fácil que la primera porque se

recuerdan y repiten soluciones previas.

• Los errores anteriormente cometidos son

conocidos y evitados.

• Memoria dinámica y ricamente indexada.

Características Generales

• Adaptar y combinar viejas soluciones para

resolver problemas nuevos.

• Criticar nuevas soluciones basándose en

casos anteriores.

• Justificar nuevas soluciones.

Objetivos Generales

• Generar nuevas soluciones a partir

de soluciones o casos ya conocidos.

• Ayudar en la toma de decisión a partir

de la experiencia y conocimiento

previo.

Vínculo del RBC y la IA

• El RBC es una técnica de la IA, que se ocupa

de los mecanismos mentales necesarios, para

repetir lo que se ha hecho o vivido con

anterioridad, ya sea por experiencia propia o

por casos concretos.

• La experiencia es transferida a una

“computadora” para que esta emule el

razonamiento humano.

Paradigma RBC

• Nuevos problemas (casos)

pueden ser resueltos por

adaptar soluciones de

problemas (casos) similares

resueltos en el pasado.

(Riesbeck y Schank, 1989)

Reglas vs Casos

1. El proceso de Extracción

del Conocimiento es muy

difícil.

2. Su construcción requiere

de habilidades especiales

3. Normalmente son lentos e

incapaces de acceder

grandes cantidades de

información.

4. Son difíciles de mantener.

1. El proceso de extracción

consiste en almacenar casos

históricos.

2. Su construcción se reduce a

identificar atributos relevantes

con los cuales se describen

los casos.

3. Utiliza técnicas de base de

datos para manejar grandes

volúmenes de información

4. Adquiere nuevo conocimiento

con cada caso haciendo su

mantenimiento mas fácil,

refleja la experiencia

acumulada.

Principales Retos

¿Cómo se representa un caso?

¿Cómo se organizan y se indexan los casos en la memoria?

¿Cómo se recuperan el (los) caso(s) similar(es) de la memoria?

¿Cómo adaptar la solución del (los) caso(s) recuperado(s)?

¿Cómo evaluar la nueva solución?

¿Cómo determinar si el nuevo caso debería ser retenido en la memoria?

PROBLEMA

Solución ConfirmadaSolución Sugerida

CasoNuevo

CasoRecuperado

CasoNuevo

CasoAprendido

ConocimientoGeneral

CasosPrevios

CasosPrevios

CasoResuelto

CasoReparadoVerificado

Recuperar

Reutilizar

Revisar

Recordar

Profesores, alumnos, especialistas,…

Consultando la BC

Retención de

caso resuelto

por el experto

El sistema de trabajo con la Base de Casos (BC)

Consultas a

la BC

Si caso no

resuelto

totalmenteConsulta a

expertos

Tareas de un sistema RBC

• Identificación de características: Determinar los descriptores relevantes al problema.

•Match inicial: Set de candidatos plausibles, a partir de los descriptores

•Selección: Elegir el mejor match entre los candidatos plausibles.

Recuperación

El mejor match recuperado sugiere la solución al nuevo caso. El análisis se focaliza en:

• Diferencias entre caso recuperado y el nuevo caso.

• Porción de la solución que se puede transferir.

Puede ser:• Copia: Muy simple, se transfiere al nuevo caso la

solución sin modificaciones.

• Adaptación: Se transforma la solución para transferirla.

Reutilización

•Evaluación: En el mundo real.

•Reparación: Detección de errores y reparación de la solución.

Revisión

•Extracción: Se decide que información corresponde retener.

•Indexación: Qué tipo de índices y cómo estructurar el espacio de búsqueda.

•Integración: Incorporación a memoria.

Retención

Base de casos (BC)

Construcción de laBC

Organización de laBC

Estructura de la BC

C o n t e m p l a

Rasgos (atributos) y valores asociados

(Ej fiebre y sus valores)

•Lineal o•Jerárquica(SISI lo hace lineal)

•Automática a partirde B de Datos•Sistema Inteligentepara adquisición de Casos• Manual con un editor(como lo hace SISI)

tienees Puede ser

1

( , ) * ( , )n

i

P C wi i Pi Ci

1( , )

0

x yx y

x y

Donde wi es la importancia del rasgo, Pi y Ci son

los valores que el rasgo i tiene en el problema y en

el caso, respectivamente, y es la función de

comparación para el rasgo i.

Función de Semejanza

Clientes

Operadores de “help desk”

Retención de

caso resuelto

por el experto Caso no

resuelto

Experto

Sistema de RBC

Sistema SMART de COMPAQ

• El impacto del sistema.

• Incremento de solución de problemas del

50% al 87%

• Premio de aplicación innovador en Inteligencia

Artificial.

• Llegó a resolver el 95% de problemas

exitosamente.

• Llamadas tomaron en promedio 2

minutos.

• Incremento en las ventas de productos.

Sistema SMART de COMPAQ

• Case-1, CaseAdvisor, y CBR3 (CBR

Express, CasePoint, Generator,

Tester, and Casepoint WebServer)

• ART*Enterprise, CasePower y

ESTEEM

Específicamente para “Help desk”

Métodos propios para CBR

Herramientas de RBC

SI-Holmes

Un sistema de CBR es una forma de almacenar conocimiento (memoria corporativa)

de manera automática.

Medir la similitud entre casos es clave en un sistema de CBR.

Los sistemas de CBR han sido útiles en diferentes dominios donde no es fácil

formalizar el conocimiento.

Retos

Representación de casos complejos.

Problema de indexamiento: Organización de la memoria, creación de índices y

recuperación de (los) caso(s) que ayuden en la solución del nuevo problema.

Escalabilidad.

Establecer nuevas técnicas de adaptación de los casos.

Combinar CBR con otras técnicas de representación del conocimiento.

Administración de la memoria.

Resumen