Razonamiento basado en casos
En inteligencia artificial y filosofía [ verificación necesaria ] , el razonamiento basado en casos ( CBR ), interpretado de manera amplia, es el proceso de resolver nuevos problemas basados en las soluciones de problemas pasados similares. [1]
En la vida cotidiana, un mecánico de automóviles que repara un motor recordando otro automóvil que presentaba síntomas similares utiliza un razonamiento basado en casos. Un abogado que defiende un resultado particular en un juicio basado en precedentes legales o un juez que crea jurisprudencia está utilizando un razonamiento basado en casos. Así también, un ingeniero que copia elementos de trabajo de la naturaleza (practicando biomimetismo ), está tratando la naturaleza como una base de datos de soluciones a problemas. El razonamiento basado en casos es un tipo prominente de solución de analogías .
Se ha argumentado [¿ por quién? ] que el razonamiento basado en casos no solo es un método poderoso para el razonamiento informático , sino también un comportamiento generalizado en la resolución de problemas humanos cotidianos ; o, más radicalmente, que todo razonamiento se basa en casos pasados experimentados personalmente. Esta visión está relacionada con la teoría de prototipos , que se explora más profundamente en la ciencia cognitiva .
El razonamiento basado en casos se ha formalizado [se necesita aclaración ] a los efectos del razonamiento informático como un proceso de cuatro pasos: [2]
A primera vista, CBR puede parecer similar a los algoritmos de inducción de reglas [nota 1] del aprendizaje automático . Como un algoritmo de inducción de reglas, CBR comienza con un conjunto de casos o ejemplos de entrenamiento; forma generalizaciones de estos ejemplos, aunque implícitos, identificando puntos en común entre un caso recuperado y el problema objetivo. [3]
Si, por ejemplo, un procedimiento para panqueques simples se asigna a panqueques de arándanos, se toma la decisión de utilizar el mismo método básico de rebozado y fritura, generalizando así implícitamente el conjunto de situaciones en las que se puede utilizar el método de rebozado y fritura. Sin embargo, la diferencia clave entre la generalización implícita en CBR y la generalización en la inducción de reglas radica en cuándo se hace la generalización. Un algoritmo de inducción de reglas extrae sus generalizaciones de un conjunto de ejemplos de entrenamiento antes de que se conozca el problema objetivo; es decir, realiza una ansiosa generalización.
