Esetalapú következtetés

Angol megnevezés: Case-based reasoning, CBR

Történeti modul

• 1984: HYPO rendszer: Az interpretatív következtetési rendszer a korábbi eseteket precedensként kezeli, azokra hivatkozva készíti el a felmerülő eset elemzését, magyarázatát. Az egyik legrégebbi ilyen rendszer a HYPO (Rissland, Valcare, Ashley 1984), amely jogászok érvelését modellezi. [[1]]

• 1986: CHEF rendszer: A problémamegoldó következtetés egy korábbi megoldást (gyakran tervet) alakít át, adaptál az új körülményekhez, az új feladat feltételeihez. A CHEF nevű rendszer (Hammond 1986) például problémamegoldó CBR-t használ, s korábbi ételreceptek alapján újakat készít. [[2]]

• 1993: Az esetalapú következtetés (Case-based reasoning, CBR) lényege, hogy új problémák megoldásához, illetve új esetek értelmezéséhez már korábban feldolgozott eseteket alapul véve jutunk el (Kolodner, 1993). [[3]]

• 2001: Az esetalapú következtetés: adott (keresett) hasonlósági fgv. alapján megadja az ismert esetek közül a leghasonlóbbat, vagyis lehetőséget teremt egy múltbéli hasonló kiindulási helyzet következményének beazonosítására. A leghasonlóbb szituáció következménye közvetlenül, vagy továbbfeldolgozva a mostani jövőképet jelenti. [[4]]

Ontológiai modul

• "ez egy" kapcsolattípus:
  • HYPO rendszer (alkalmazási példa)
  • CHEF rendszer (alkalmazási példa)
  • ART Enterprise (termék)
  • CBR WORKS 4 (termék)
  • HELP DESK (munkakör)
  • Tőzsde előrejelzés (pl. STOCKNET)…

• "van neki, része a címszónak" kapcsolattípus:
  • interpretatív következtetési rendszer
  • problémamegoldó következtetés
  • transzformációs problémamegoldó CBR
  • derivációs problémamegoldó CBR

• "a címszó része valaminek (a címszóval egyenrangú fogalmak)" kapcsolattípus:
  • Szabályalapú következtetés (Esetalapú következtetés, Rule Based Reasoning, RBR)
  • Korlátozás-kielégítési problémák (Esetalapú következtetés, Constraint Satisfaction Problem, CSP)
  • Modellalapú következtetés (Esetalapú következtetés, Model Based Reasoning, MBR)
  • Mesterséges intelligencia (Esetalapú következtetés, AI)
  • hasonlóságelemzés (CBR, Benchmarking, Benchmarking_2, Balanced Scorecard, Component-based Object Comparison for Objectivity (COCO), SWOT, abdukció, Potenciál-csillag módszer, JOKER, AM*M, Playometria, ...)

Ellentmondások és vitatott kijelentések modulja

• 1984: Egy megelőző esetet lehet alapul venni, de nem lehet, mint precedens értékűként kezelni. Ha következetesen CSAK a megelőző esetekre hivatkoznánk, akkor még most is a lopásért levágnák az ember kezét… Azaz megállnánk a fejlődésben, ha csak a múltbeli eseményeket vennénk elfogadható esetnek. Minden probléma egy kicsit eltér egymástól, ezét nem lehet rájuk egy sémát alkalmazni.
• A rendszerek különböző eredményeket hozhatnak eredményül, hiszen lényeges, hogy milyen algoritmust használnak az esetek kiválasztására, hogyan hasonlítják össze az eseteket, mi alapján választják ki, hogy mely korábbi eseteket használják fel vagy alakítják át…
• Az esetalapú következtetés akkor működik a leghatékonyabban, ha a gyűjtött, megszerkesztett eseteket folyamatosan gondozzák. /az elavult eseteket kiszűrik, a beérkező kérdésről megállapítják, hogy helytálló-e/.

Szerkesztői javaslat: Mi a hasonlóság szerepe az esetalapú következtetésekben? Mi egyáltalan a hasonlóság?

Definíciós modul

• Az esetalapú következtetés, mint eljárás a múltban előfordult esetek jelenlegihez való hasonlításán keresztül egyszerű és gyors algoritmus formájában biztosítja a valósághű (valaha már előfordult) alapmintázatok hozzáigazítását az utolsó ismert adathoz.

• Az esetalapú következtetés (CBR) lényege, hogy adott (keresett) hasonlósági függvény alapján megadja az ismert esetek közül a leghasonlóbbat, vagyis lehetõséget teremt egy múltbeli hasonló kiindulási helyzet következményének beazonosítására. A leghasonlóbb szituáció következménye közvetlenül, vagy továbbfeldolgozva a mostani jövõképet jelenti.

Tesztkérdések modul

• Igaz-e, hogy mindegy melyik CBR rendszert választjuk, hiszen mindegyik ugyanazt a következtetést fogja eredményül kihozni? (Hamis, mert a különböző rendszerek különböző algoritmust használhatnak, a betáplált események eltérőek lehetnek.)

Ajánlott irodalmak modulja

• Dr. Pitlik László : Információs többletérték realizálása az ember és a gép szimbiózisa révén [[5]]
• Dr. Kovács Szilveszter : Mesterséges Intelligencia Tudásábrázolás szemantikus hálókkal, keretekkel és forgatókönyvvel[[6]]
• Fekete I. - Gregorics T. : Bevezetés a mesterséges intelligenciába [[7]]
• Krisz : hallgatói szógyűjtés[[8]]