Рассуждение на основе прецедентов (CBR)

Введение

CBR (Case-Based Reasoning, рассуждение на основе прецедентов) – парадигма искусственного интеллекта, основанная на идее, что новые проблемы можно решать путём поиска аналогий с прошлым опытом. Когда система CBR сталкивается с новой задачей, она ищет в базе прецедентов наиболее похожие случаи, адаптирует найденные решения к текущей ситуации и сохраняет полученный опыт для использования в будущем.

CBR моделирует один из основных механизмов человеческого познания – аналогическое мышление. Врач, ставя диагноз, вспоминает похожих пациентов. Юрист ищет прецеденты в судебной практике. CBR формализует этот процесс для автоматизированных систем.

История и контекст

CBR был разработан Роджером Шанком и его студентом Кристофером Риспергером в 1980-х годах в Йельском университете. Шанк описал теорию «динамической памяти» – как люди организуют и используют опыт. Первая реализация CBR – система CYRUS (1982), помогавшая вспоминать события из жизни Сайруса Вэнса.

В 1990-х CBR приобрёл практическую значимость в медицинской диагностике, технической поддержке и юридических информационных системах. Крупнейшая конференция по CBR (ICCBR) проводится с 1995 года.

В эпоху машинного обучения CBR сохраняет актуальность как интерпретируемый метод: в отличие от нейронных сетей-«чёрных ящиков», CBR объясняет своё решение через аналогию.

Как это работает

Классический цикл CBR состоит из четырёх этапов (4R):

• Retrieve (Поиск): по описанию новой задачи система находит наиболее похожие прецеденты в базе знаний. Мера сходства (similarity metric) может учитывать числовые характеристики, символические признаки и структурные свойства.
• Reuse (Повторное использование): найденное решение адаптируется к условиям новой задачи. Может включать подстановку значений, модификацию плана или комбинирование нескольких прецедентов.
• Revise (Ревизия): предложенное решение оценивается (экспертом или автоматически), при необходимости корректируется.
• Retain (Сохранение): успешный прецедент добавляется в базу, обогащая знания системы.

Где применяется

• Медицинская диагностика: системы поддержки принятия клинических решений, дифференциальная диагностика на основе схожих случаев.
• Техническая поддержка: helpdesk-системы, ищущие решения в базе знаний по аналогии с предыдущими обращениями.
• Юридические системы: поиск прецедентов в судебной практике, анализ контрактов.
• Финансы: оценка кредитных рисков через аналогию с историческими случаями.
• Промышленность: диагностика неисправностей оборудования на основе исторических инцидентов.

Преимущества и ограничения

Преимущества: интерпретируемость (объяснение через аналогию), работа при ограниченном количестве данных, пополнение знаний в процессе использования, применимость там, где правила трудно формализовать.

Ограничения: эффективность зависит от полноты базы прецедентов, сложность проектирования метрики сходства, высокие требования к памяти при больших базах, проблемы масштабируемости.

Связь с другими понятиями

CBR является частью более широкого поля искусственного интеллекта (ИИ) и экспертных систем. В современных системах CBR часто комбинируется с машинным обучением для улучшения метрик сходства. В контексте helpdesk применяется вместе с системами управления знаниями (KMS). CBR близок к рекомендательным системам – оба метода используют похожесть для генерации предложений. Рассуждение на основе прецедентов является методологической основой для систем поддержки принятия решений.