Case Based Reasoning

Charakterisierung

Case Based Reasoning (CBR) ist ein Problemlösungsansatz aus der Künstlichen Intelligenz. CBR erlaubt das Lösen von Problemen mithilfe von Erfahrungswissen, das in Form von Fällen in einer Fallbasis gespeichert ist. Hierbei setzt sich jeder Fall aus einer Problembeschreibung und der dazugehörigen Lösung zusammen. Zur Lösung eines neuen Problems wird in der Fallbasis nach dem ähnlichsten Problem gesucht und dessen Lösung wiederverwendet (vgl. Abb. 1).

Abb. 1: CBR Grundprinzip

CBR weist gegenüber anderen Methoden der Künstlichen Intelligenz einige Vorteile auf [Main/Dillon/Shiu 2001, S. 13ff]:

• Einfache Wissensakquisition: Wissen kann in seiner natürlich vorliegenden Form (Problemfälle mit Lösung) genutzt werden und muss nicht aufwändig zerlegt und modelliert werden.

• Einfache Wartung: Durch Hinzufügen neuer Fälle bzw. Löschen alter Fälle können Änderungen an der Wissensbasis einfach vorgenommen werden.
• Effizienter Problemlösungsmechanismus: Statt Probleme jedes Mal von null an durch einen aufwändigen Algorithmus zu lösen, werden bewährte alte Lösungen wiederverwendet.
• Hohe Benutzerakzeptanz: Die Funktionsweise lässt sich auf Grund der Nähe zum menschlichen Problemlösen leicht nachvollziehen und das Ergebnis kann durch frühere Fälle begründet werden.

Funktionsweise

Die Funktionsweise kann mithilfe eines Zyklus bestehend aus vier Phasen [Aamodt/Plaza 1994, S. 46] beschrieben werden (vgl. Abb. 2). Im Rahmen der Retrieve-Phase wird zu einem gegebenen neuen Problem der Fall in der Fallbasis gesucht, der das ähnlichste Problem enthält. Die Lösung des ähnlichsten Falls wird in der Reuse-Phase zur Lösung des neuen Problems herangezogen und ggf. mit unterschiedlichen Methoden an den vorgegebenen Problemfall angepasst. Im Rahmen der Revise-Phase erfolgt eine Validierung der vorgeschlagenen Lösung durch tatsächliche Anwendung oder durch Simulation. Dabei kann es zur Korrektur bzw. Feinjustierung der Lösungsparameter kommen. In der Retain-Phase wird der neue Fall in die Fallbasis aufgenommen. Hierdurch wird ein inkrementeller Lernprozess erreicht.

Abb. 2: CBR-Zyklus

Zur Realisierung des CBR-Zyklus sind geeignete Verfahren der Fallrepräsentation, Ähnlichkeitsbestimmung, Suche, Adaption und Wartung nötig:

• Die Fallrepräsentation ist abhängig von der anwendungsgebietsinhärenten Struktur der Fälle zu wählen. Hierbei können Attribut-Werte-Vektoren, Objekte, Prädikatenlogik oder Graphen herangezogen werden [Main/Dillon/Shiu 2001, S. 9].
• Ziel der Ähnlichkeitsbestimmung ist es, die Ähnlichkeit zweier Probleme zu ermitteln. Sie kann durch eine entsprechende Verlinkung der gespeicherten Fälle vorgegeben oder über mathematische Berechnungsmethoden bestimmt werden [Weß 1995, S. 34].
• Aufgabe der Suche ist es, zu einer Anfrage die ähnlichsten Fälle zu finden. Gängige Verfahren sind die sequenzielle Suche, parallele Suche und Indexierung [Weß 1995, S. 33ff].
• Zielsetzung der Adaption ist es, die gefundene Lösung an die neue Problemstellung anzupassen. Hierbei kann einerseits der Lösungsweg schrittweise modifiziert und durchgespielt werden (ableitungsorientierte Adaption) oder die endgültige Lösung in ihren Parametern geändert werden (transformationsorientierte Adaption).
• Ziel der Wartung besteht darin, das Wissen eines CBR-Systems zu bewahren und gegebenenfalls wiederherzustellen. Möglich sind korrigierende, adaptierende oder optimierende Verfahren.
  

Anwendungsfelder

CBR lässt sich besonders gut in Domänen einsetzen, die nicht vollständig verstanden und häufigen Änderungen unterworfen sind. CBR ist daher vor allem für komplexe und dynamische Problembereiche geeignet, deren Wissen sich nicht mit wenigen einfachen Regeln formalisieren lässt.

Typische Anwendungsfelder sind [Bodendorf 2003, S. 152]:

• Helpdesksysteme für technische Probleme, z. B. bei Elektronischen Geräten, Softwareprodukten oder Maschinen
• Ratgeber zur medizinischen Therapie, z. B. Ernährungsberatung oder Medikationspläne

Literatur

Aamodt, Angar; Plaza, Enric: Case Based Reasoning: Foundational Issues, Methodological Variations and System Approaches. In: AI Communications Nr.1, Vol. 7 (1994), S. 39-59.

Bodendorf, Freimut: Daten- und Wissensmanagement. Berlin: Springer-Verlag, 2003

Main, Julie; Dillon, Tharam; Shiu, Simon: A Tutorial on Case Based Reasoning. In: Pal, Sankar; Dillon, Tharam; Yeung, Daniel (Hrsg.): Soft Computing in Case Based Reasoning. London: Springer-Verlag, 2001, S. 1-28.

Weß, Stefan: Fallbasiertes Problemlösen in wissensbasierten Systemen zur Entscheidungsunterstützung und Diagnostik. Sankt Augustin: Infix-Verlag, 1995.

Autor