Raciocínio baseado em casos

Raciocínio Baseado em Casos, de maneira geral, é o processo de resolver novos problemas tomando como base soluções de problemas similares já superados. Um mecânico de automóvel que conserta um motor por se lembrar de outro automóvel que tenha exibido sintomas similares usa o raciocínio baseado em casos. Um advogado que advoga uma situação particular em um julgamento se baseando em precedentes legais usa o raciocínio baseado em casos. Tem-se provado que esse raciocínio não é somente um método poderoso para raciocínio computacional, mas também um comportamento comum na solução dos problemas humanos do dia-a-dia.

Raciocínio baseado em casos costuma ser formalizado como um processo composto por quatro partes:

1. Recuperação: Dado um problema-alvo, recuperar da memória casos que são relevantes para resolvê-lo. Um caso consiste de um problema, sua solução e, normalmente, anotações sobre como chegar na solução. Por exemplo, suponhamos que Fred quer preparar panquecas de amora. Como é um cozinheiro novato, a experiência mais relevante que lembra é uma em que conseguiu com sucesso fazer panquecas simples. O procedimento que seguiu para fazer tais panquecas, juntamente com justificações feitas ao longo da preparação, constitui a recuperação de caso de Fred.
2. Reutilização: Mapear a solução do caso anterior para o problema-alvo. Isto pode exigir adaptação da solução para que sirva para a nova situação. No exemplo da panqueca, Fred deve adaptar sua solução relembrada para a inclusão de amoras.
3. Revisão: Tendo mapeado a solução anterior para a situação-alvo, testar a solução no mundo real (ou numa simulação) e, se necessário, revisá-la. Suponhamos que Fred adaptou sua solução para o caso da panqueca adicionando amoras na batedeira. Depois de misturar, ele descobre que a batedeira ficou azul, um resultado indesejável. Isto sugere a seguinte revisão: esperar para adicionar as amoras depois que a massa já tenha sido despejada na frigideira.
4. Fixação: Depois que a solução foi adaptada com êxito para o problema-alvo, guardar a experiência resultante na memória como um novo caso. Fred, conseqüentemente, memoriza seu novo procedimento para fazer panquecas de amoras, desse modo enriquecendo seu conjunto de experiências passadas e o preparando melhor para futuras exigências no preparo de panquecas.

À primeira vista, o RBC pode parecer similar a algoritmos de indução de regras usados em aprendizado de máquinas.

Algoritmos de indução de regras são procedimentos para aprender regras de um dado conceito fazendo generalização a partir de exemplos de tal conceito. Por exemplo, um algoritmo de indução de regras pode aprender regras para formar o plural dos substantivos da língua inglesa a partir de exemplos como dog/dogs, fly/flies e ray/rays.

Como um algoritmo de indução de regras, o RBC começa com um conjunto de casos ou exemplos para treinamento; ele faz generalizações implícitas desses exemplos, identificando características comuns ao caso recuperado e o problema-alvo. Por exemplo, quando Fred mapeou seu processo de panquecas simples para panquecas de amoras ele decidiu usar o mesmo método básico de bater e de fritar, assim generalizando implicitamente o conjunto de situações sob as quais o método de bater e de fritar pode ser usado. Porém, a diferença-chave, entre a generalização implícita do RBC e a generalização de indução de regras está em quando a generalização é feita. Um algoritmo de indução de regras faz suas generalizações a partir de um conjunto de exemplos de treinamento antes mesmo de o problema-alvo ser conhecido; isto é, o algoritmo executa uma generalização ambiciosa. Por exemplo, se forem dadas receitas de panquecas simples, de panquecas de maçã holandesa e de paquecas de banana, o algoritmo de indução de regras teria de derivar, durante o treinamento, um conjunto de regras gerais para fazer qualquer tipo de panqueca. Não estaria na hora de testar até que lhe fosse dada a tarefa de fazer panquecas de amora. A dificuldade que o algoritmo de indução de regras encontra é de antecipar as diferentes direções que ele deve tentar seguir para generalizar seus exemplos de treinamento. Nisto o algoritmo contrasta com o RBC, que atrasa (implicitamente) a generalização dos casos até testá-los --- uma estratégia de generalização preguiçosa. No exemplo das panquecas, o problema de fazer panquecas de amoras já foi proposto ao RBC; logo, ele pode generalizar seus casos precisamente para cobrir esta situação. Por isso, o RBC tende a ser uma boa abordagem para domínios ricos e complexos em que há uma miríade de modos de generalizar um caso.

As raízes do RBC se remetem ao trabalho de Roger Schank e seus estudantes na Universidade de Yale, no começo da década de 80. O modelo de memória dinâmica de Schank foi a base para os primeiros sistemas de RBC: CYRUS, de Janet Kolodner, e IPP, de Michael Lebowitz. Outras escolas de RBC e campos fortemente aliados emergiram na década de 80, investigando tópicos como RBC no raciocínio legal, raciocínio baseado em memória (uma maneira de raciocínio a partir de exemplos, aplicada massivamente em máquinas paralelas), e combinações de RBC com outros métodos de raciocínio. Na década de 90, o interesse em RBC cresceu na comunidade internacional, quando foi evidenciado pela realização de uma Conferência Internacional em Raciocínio Baseado em Caso em 1995, assim como workshops de RBC Europeus, Alemães, Britânicos, Italianos, entre outros. A tecnologia RBC permitiu o desenvolvimento de alguns bem-sucedidos sistemas, sendo o primeiro o CLAVIER, de Lockheed, um sistema para organizar partes de compostos para serem assadas num forno de convecção industrial. RBC tem sido usado também extensivamente em aplicações de ajuda, como o sistema Compaq SMART.

Algumas ferramentas de suporte de decisão serão comercializadas, entre elas o k-Commercede eGain (antiga Inference Corporation) e Kaidara Advisor de Kaidara (antiga AcknoSoft).

Para Saber Mais

Aamodt, Agnar, and Enric Plaza. "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches." Artificial Intelligence Communications 7, no. 1 (1994): 39-52. Althoff, Klaus-Dieter, Ralph Bergmann, and L. Karl Branting, eds. Case-Based Reasoning Research and Development: Proceedings of the Third International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1999. Kolodner, Janet. Case-Based Reasoning. San Mateo: Morgan Kaufmann, 1993. Leake, David, and Enric Plaza, eds. Case-Based Reasoning Research and Development: Proceedings of the Second International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1997. Riesbeck, Christopher, and Roger Schank. Inside Case-based Reasoning. Northvale, NJ: Erlbaum, 1989. Veloso, Manuela, and Agnar Aamodt, eds. Case-Based Reasoning Research and Development: Proceedings of the First International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1995.