Kasusbasert resonnement er prosessen med å løse nye problemer basert på løsninger på tidligere problemer. En bilmekaniker som reparerer en motor fordi han husket at en annen bil viste de samme symptomene, bruker saksbasert resonnement. En advokat som appellerer til juridisk presedens for å forsvare en sak, bruker saksbasert resonnement. Dessuten, når en ingeniør kopierer elementer fra naturen, behandler han naturen som en "database med løsninger". Kasusbasert resonnement er en måte å resonnere på ved å lage analogier. Det har blitt hevdet at saksbasert resonnement ikke bare er en kraftig metode for resonnement for datamaskiner, men brukes av mennesker til å løse hverdagslige problemer. Mer radikalt har det blitt antatt at all resonnement er saksbasert fordi den er basert på tidligere erfaringer.
Før man begynner å behandle temaet resonnement basert på brukstilfeller, er det nødvendig å lokalisere konteksten de finnes i for å kunne ta en første tilnærming til emnet og for å kunne forstå årsaken til bruken.
Dermed er resonnement basert på brukstilfeller eller case base resonnement (CBR) en type ekspertsystem. Et ekspertsystem, fra kunstig intelligens, er et system som prøver å imitere oppførselen til et ekspertmenneske i et eller annet fag, det vil si at de imiterer aktivitetene til et menneske for å prøve å løse problemer av forskjellige slag. Et eksempel på et ekspertsystem vil være et som er ansvarlig for å diagnostisere mekaniske problemer i en bil. Det er tilstrekkelig klart at det ekspertsystemet vil prøve å gjøre er å etterligne oppførselen som mekanikeren ville følge for å prøve å finne ut hva som er problemet med bilen. For å gjøre dette, er det systemet i utgangspunktet vil prøve å etterligne atferden som følges av mennesket selv, i dette tilfellet en mekaniker, for å komme til den samme konklusjonen som han ville komme til, og for å kunne gi løsningen som en mekaniker ville gi etter sin analyse. Fordelene ved å lage et ekspertsystem er klare, noe som letter arbeidet til eksperter. Det er tydelig at med den økende populariteten til datamedier og deres kontinuerlige implantasjon i samfunnet, har de fått mange mennesker til å søke disse løsningene for å løse hverdagslige problemer, komme med anbefalinger, hjelpesystemer osv. og det ekspertsystemer gjør er at bedrifter kan tilby disse tjenestene uten at en fysisk person trenger å gjøre det, noe som betyr en betydelig kostnadsreduksjon. På den annen side vokser informasjonen som ekspertsystemer står foran hver dag, og dette betyr at behandlingen av denne informasjonen i mange tilfeller er langsom og i mange tilfeller vanskelig å løse, ikke på grunn av problemets vanskeligheter, men på grunn av den store mengden inndata de har. Som vi kan se, er ekspertsystemet ekstremt nyttig i alle disse tilfellene.
Nå bør vi analysere hva som er de nødvendige elementene for at et ekspertsystem skal være virkelig nyttig og et effektivt verktøy både i selve interaksjonen med brukeren og kvaliteten på responsen fra brukeren. Dermed har vi at ethvert ekspertsystem må møte to klart differensierte kvaliteter, på den ene siden bør det kunne forklare sine egne resonnementer, det vil si det settet med regler eller trinn som eksperten bruker for å utlede forskjellige fakta før de når frem til en endelig konklusjon. På den annen side, hvis vi ser nøye etter vil vi se at vi til nå ikke hadde nevnt en av de medfødte egenskapene som mennesker har og takket være de har blitt bedre gjennom historien, og det er tilegnelsen av ny kunnskap. Gitt dens betydning for mennesker, kan det ikke være mindre viktig i ekspertsystemer, siden uten dette kan vi kanskje oppnå et system av høy kvalitet i dag, men den store hastigheten som verden for tiden går fremover ville raskt bety at det ville forbli foreldet og derfor ubrukelig. For å løse disse problemene tyr eksperter til resonnementmekanismer som tjener til å modifisere tidligere kunnskap. Når vi ser dette, kan vi konkludere med at ekspertsystemer på mange felt ikke prøver å erstatte menneskelige eksperter, men det som etterstrebes er å utføre alle oppgavene de utfører raskere og mer effektivt. På grunn av dette blandes forskjellige teknikker eller applikasjoner for tiden, og drar nytte av fordelene som hver av disse tilbyr for å få tryggere selskaper. Et eksempel på disse teknikkene vil være agenter som har evnen til å forhandle og navigere gjennom nettressurser; og det er derfor det for tiden spiller en ledende rolle i ekspertsystemer.
Når målene som forfølges med bruk av ekspertsystemer er presist definert, vil det være interessant å fastslå hvilke elementer et ekspertsystem er delt inn i. Dermed kan vi se at det i henhold til det som er forklart så langt for det første er en kunnskapsbase , som i utgangspunktet er der kunnskapen som den sakkyndige har om emnet som skal diskuteres, vil bli lagret. Det er her det tydelig sees at hvis du ønsker å dekke et stort antall kunnskapstemaer, vil dette øke uforholdsmessig, noe som fører til at enten størrelsen på informasjonen gjør den uoverkommelig, eller på den annen side vil være i samsvar med størrelsen som brukes. få oss til å straffe mengden kunnskap vi har om emnet og derfor få en middelmådig ekspert som et resultat . For det andre har vi en database med fakta , som vil være der alle de fradragene som gjøres i slutningsprosessen vil bli lagret. Når vi først har disse to elementene, er det neste logiske trinnet å ha et element som er ansvarlig for å starte med fakta og kunnskap for å generere konklusjoner, flere fakta, for å følge en resonneringsprosess som fører til den endelige løsningen; vi snakker om en inferensmotor . Vi kan oppsummere det i elementet som modellerer menneskelig resonnement. Til slutt har vi brukergrensesnittet . Dette, siden det ikke er et rent element i resonnementsystemet, er av stor betydning, siden det vil være inngangsdøren til systemet. Dens betydning ligger hovedsakelig i måten den vil samle inn brukerinformasjon på, siden hvis informasjonen som samles inn ikke er tilstrekkelig, uansett hvor god slutningsmotor og regler vi har, vil resultatet ikke være tilfredsstillende. Det er derfor viktigheten av dette grensesnittet.
Etter å ha perfekt definert hva et ekspertsystem er og delene som utgjør det, vil det neste logiske trinnet være å kommentere hvilke typer systemer som finnes og mer spesifikt hvilken type deduktivt system de bruker for å komme til en konklusjon. Ved å bruke sistnevnte kan vi dele dem inn i 3 godt differensierte typer:
Regelbaserte ekspertsystemer brukes til slutningsprosessen til et sett med regler som utgjør ekspertens kunnskapsbase . Dette regelsettet kan aktiveres ettersom forholdene vurderes positivt og bruken av dem innebærer at det skapes nye fakta. Denne prosessen vil tillate, fra noen innledende fakta, å utvikle en deduktiv prosess som vil avslutte øyeblikket der det ikke er noen annen regel igjen å bruke.
For å utføre denne typen behandling er det mulig å gjøre det på to forskjellige måter, på den ene siden, fra bevis til mål ( Forward chaining ) eller, på den annen side, i omvendt rekkefølge, som ville være å starte fra målet til man når settet med bevis som har utløst ( Backward chaining ).
Denne andre typen ekspertsystem baserer sin drift, som det riktige navnet indikerer, på Bayesianske nettverk. Dermed er det en sannsynlighetsmodell som relaterer et sett med tilfeldige variabler gjennom en rettet graf. Inferensmotoren den bruker for å behandle bevisene er basert på sannsynlighetsteori og mer spesifikt på Bayes' teorem . Denne metoden er spesielt et ekstremt nyttig verktøy for å estimere sannsynligheter i møte med nye bevis.
Denne siste typen ekspertsystem vil være den vi vil fortsette med å forklare i dette arbeidet og vil analysere mer detaljert i de følgende avsnittene. Dette første kapittelet i arbeidet er viktig for å vise konteksten denne typen ekspertsystem finnes i og for å kunne forstå i større dybde hvordan det fungerer.
I store trekk baserer denne typen systemer sin drift på tidligere levde erfaringer, enten av systemet selv eller av eksperten, og ut fra denne kunnskapen om erfaringer lage en assosiasjon til disse erfaringene for å trekke ut en løsning fra dette. Som vi kan se av de tre eksisterende metodene, er dette den som ligner mest på den tankegangen vi mennesker har. Hvis vi tenker på små barn, er den typen resonnement de bruker basert på erfaringene de har gitt av deres omgang med miljøet. Et beslektet eksempel kan være at når et barn er på kjøkkenet og tar på en gryte på komfyren og brenner den, vil han ha fått en ny opplevelse. Hvis han en annen dag ser en gryte på bålet, vil han ikke lenger røre den fordi han vil ha den opplevelsen. Du kan fortsatt ha opplevelsen av å se moren din plukke opp den potten med kjøkkenhåndklærne. Fra alle disse opplevelsene ville barnet, neste gang han ville røre en gryte, vite at hvis han vil gjøre det, bør han bruke kluter for ikke å brenne seg. Dette er et tydelig eksempel på hvordan saksbasert resonnement fungerer. Vi kan se hvordan det lille barnet gjennom tidligere erfaringer, enten det er feil eller suksesser, tilegner seg erfaringer som det vil bruke når det skal møte en ny situasjon og som vil utgjøre det nye grunnlaget for resonnement. Dette er en liten introduksjon av operasjonen. Deretter vil det bli laget en mye mer detaljert forklaring av driften, samt de ulike mulighetene den gir.
I dette kapittelet vil vi begynne å forklare en av typene ekspertsystemer som finnes: saksbasert resonnement ( CBR). Den beste måten å begynne å forstå et ord på er å prøve å forstå dets betydning, det er derfor vi vil begynne med å analysere definisjonen:
" En sak er et kontekstualisert stykke kunnskap som representerer en erfaring som lærer en grunnleggende leksjon for å oppnå målene til resonneren ", [Kolodner, 1993]
Som du kan se, er analysen av uttrykket gjort direkte fra engelsk, og dette er direkte motivert av det faktum at oversettelsen i seg selv kan miste en del av betydningen av definisjonen, noe som ville skade analysen. Så fra og med analysen er det første viktige ordet "tilfelle". Dette resonnementsystemet er basert på en minimal enhet kalt en sak. En sak kan defineres som en representasjon av en tidligere erfaring, en opplevelse. Det kan sees på som en boks der vi finner alle de tingene som skjedde i opplevelsen. En god analogi ville være å bruke regler, vi kan beskrive denne saken som et sett med regler knyttet til en opplevelse. Det skal være klart at reglene i seg selv ikke har noen betydning, siden det er i opplevelsen som helhet vi finner minimumsuttrykket. Hvis vi vurderer løse regler for denne erfaringen, vil vi finne ut at vi vil stå foran et ekspertsystem.
På den annen side har vi at denne saken har adjektivet «kontekstualisert kunnskapsdel». Det er viktig å merke seg fremfor alt det kontekstualiserte siden, som vi har sagt før, denne kunnskapen representerer et sett av fakta som har funnet sted i opplevelsen. Noen av disse faktaene samsvarer med konteksten opplevelsen finner sted i. Denne konteksten i ekspertsystemet er også svært viktig siden den kan brukes i slutningsprosessen; dette vil bli forklart senere. Et eksempel som illustrerer dette, basert på barnets eksempel, ville være at moren hadde fortalt ham at han ikke skulle røre ved gryten før han ble brent. Ut fra denne sammenhengen kunne det i andre tilfeller godt utledes at mødre alltid bør lyttes til fordi de har rett.
Det som følger er veldig viktig: "representere en erfaring", som innebærer at saken er basert på kunnskap, det vil si at den ikke er noe kunstig skapt på fakta, men er basert på tidligere eksisterende kunnskap og derfor kan vi anse som sann fra begynnelsen. . I tillegg begynner det faktum at vi snakker om erfaring allerede å få oss til å legge merke til at dette systemet vil være nært knyttet til tilegnelse av ekstern kunnskap, siden det er basert på erfaringer, vil det være nødvendig for systemet å tilegne seg nye erfaringer for å forbedre sin argumentasjon.
Vi fortsetter med "det er en grunnleggende leksjon". Med dette menes det at erfaringene vi har i systemet ikke refererer til noen erfaring men kun til de som gir oss noe informasjon om emnet behandlet av ekspertsystemet, i tillegg til at de ikke gjentar eksisterende erfaringer med samme. kontekst, da de ikke legger til ny informasjon til systemet. Til slutt må vi "oppnå målene til resonnementet" som indikerer at bruken av saker direkte forfølger oppnåelse av resonnementsmålene, som som i ethvert ekspertsystem er å oppnå en konklusjon som avhengig av typen problem kan være veldig variert.
Gjennom denne analysen av betydningen av temaet som vi skal behandle, kan vi begynne å fordype oss fullt ut i å analysere de ulike løsningene som finnes for å implementere denne typen ekspertsystemer. Likevel, før vi vil introdusere historien til saksbasert resonnement innen kunstig intelligens, så vel som hvordan den har utviklet seg gjennom årene til i dag.
Kasusbasert resonnement har sine røtter i arbeidet til Roger Schank og hans studenter ved Yale University på begynnelsen av 1980-tallet. Schanks dynamiske minnemodell [ 1 ] var grunnlaget for tidlige CBR-systemer. : Janet Kolodners CYRUS [ 2 ] og Michael Lebowitzs IPP. [ 3 ] En annen skole for saksbasert resonnement dukket også opp på 1980-tallet, og undersøkte spørsmål som saksbasert resonnement i juridisk resonnement, minnebasert resonnement (en måte å resonnere på med eksempler på maskiner som er massivt paralleller, og kombinasjoner av saksbaserte resonnementer). resonnere med andre metoder for resonnement På 1990-tallet vokste interessen for saksbasert resonnement i det internasjonale samfunnet, noe som ble dokumentert ved etableringen av en internasjonal konferanse om saksbasert resonnement i 1995, samt europeiske, tyske, britiske, italienske, og andre saksbaserte resonneringsverksteder.
Saksbasert resonneringsteknologi ga mange suksesshistorier. Den første var i et system kalt Lockheed's CLAVIER [ 4 ] som brukes til å presentere komposittdeler som skal fyres i en industriell konveksjonsovn. Saksbasert resonnement brukes mye i helpdesk-applikasjoner som Compaq SMART-systemet. [ 5 ] Det finnes en rekke beslutningsstøtteverktøy basert på saksbasert resonnement kommersielt tilgjengelig, for eksempel:
Gjennom karakteriseringen som vi har foretatt av saksbasert resonnement, har vi kunnet observere at hovedmålet det forfølger er å identifisere problemet vi støter på, og for dette er det nødvendig å finne en eller flere tilfeller i forkant av dette. som gir oss løsningen for den saken vi befinner oss i. Når vi har funnet løsningen vil det være mulig å legge denne siste saken til systemets kunnskapsbase. For å gjennomføre denne prosessen er det nødvendig å kunne mange ting, som hvilken del av prosessen vi fokuserer på bl.a. Avhengig av hvordan vi velger noen av disse hensynene, vil det være forskjellig hvordan resonnementet vil utvikle seg. Problemet som vi finner når vi analyserer paradigmet for case-basert resonnement er at det finnes et stort antall metoder for å organisere, bruke og indeksere kunnskapen vi har om verden, noe som i dette tilfellet gjøres gjennom case. Som tidligere nevnt skal sakene lagres som unike kunnskapsenheter. For å indeksere dette store antallet tilfeller kan du bruke et standardordforråd eller et hvilket som helst ord fra ditt eget ordforråd, avhengig av hvor omfattende ordforrådet som trengs i sammenheng med problemet er. Dermed hadde vi sagt at løsningen for en sak hentes direkte fra andre erfaringer, saker, som er lagret i kunnskapsbasen, selv om ulike saker også kan brukes til å trekke ut løsningen fra den vi jobber med. Dermed kan vi begynne å forstå at når vi snakker om saksbasert resonnement, generaliserer vi gjennom dette begrepet alle de metodene som brukes til å lage et ekspertsystem fra filosofien om bruken av kasus. Selv om vi i dette arbeidet bruker begrepet saksbasert resonnement for å referere til dette problemet, er det mange andre begreper som brukes for å definere, om ikke nøyaktig samme problem, problemer som vi kan betrakte som likeverdige og derfor er likeverdige termer. bruke saksbasert resonnement. Alt dette er slik, er det praktisk å analysere hva disse små forskjellene er i hver av disse kirkesamfunnene. Nedenfor vil vi detaljere de forskjellige valørene for å definere dette problemet, med de særegenheter som hver presenterer.
Resonnement basert på eksempler
Dette begrepet brukes for å understreke at sakene vi har lagret i kunnskapsbasen egentlig er eksempler på hva som har skjedd i ulike sammenhenger når man utfører et sett med handlinger. Problemet her er å avgjøre når du setter inn et nytt eksempel om dette viser seg å være utvidelsen av et eksempel som allerede eksisterer i systemet, det vil si at det legger til informasjon til et eksempel som allerede eksisterer i systemet, eller om det tvert imot samsvarer med til et nytt eksempel , som må legges til kunnskapsgrunnlaget, siden det ikke samsvarer med tidligere kunnskap. Så vi kan se at dette problemet i utgangspunktet er et klassifiseringsproblem der vi må plassere det nye eksemplet riktig.
· Instansbasert resonnement
Dette begrepet refererer til en spesialisering av den forrige. Den største forskjellen er at den legger spesiell vekt på analysering av resonnement. Problemet som i hovedsak eksisterer i denne typen resonnement er vanskeligheten med å styre assosiasjonsprosessen til saken som vi tidligere startet med det som ligger i kunnskapsgrunnlaget. Så det denne typen resonnement prøver å gjøre er å kompensere for mangelen på veiledning for å nå frem til saken som er kjent og finnes i kunnskapsbasen til systemet. For å gjøre dette brukes et stort antall instanser for å styre resonnementet. Representasjonen av disse forekomstene er normalt i form av vektorer. Denne typen resonnement har nylig blitt studert av forskerne Kibler og Aha.
minnebasert resonnement
Dette begrepet legger vekt på å se samlingen av saker som et stort minne, for deretter å se resonnement som en prosess for å få tilgang til og søke i dette minnet. Organiseringen av minnet og dets tilgang vil være den sentrale delen av saksbasert resonnement. Disse typer teknikker drar nytte av parallelle prosesseringsteknikker, som skiller dem fra andre løsninger. Dermed er tilgang og lagring i utgangspunktet basert på rent syntaktiske kriterier, det vil si hvordan noe er skrevet og ikke dets betydning.
saksbasert resonnement
Selv om begrepet saksbasert resonnement brukes som et generisk begrep gjennom hele dokumentet, har denne metoden typisk en rekke funksjoner som skiller den fra resten og er verdt å kommentere. Vi vil starte med å kommentere at når vi snakker om en sak, antar vi at den vil ha en viss grad av rikdom i informasjonen den inneholder, det vil si at beskrivelsen av opplevelsen er perfekt beskrevet og vi prøver å ikke mangle informasjon i beskrivelsen. , er det også nødvendig at all Denne informasjonen den inneholder har en viss grad av organisering som muliggjør rask forståelse og fremfor alt å nå den nødvendige informasjonen raskt, og minimere tilgangen til unødvendig informasjon. På den annen side finner vi en annen særegenhet og det er kapasiteten som finnes til å modifisere eller tilpasse denne saken til en løsning når et problem løses i en annen kontekst. I tillegg, som det ble kommentert da vi analyserte beskrivelsen av betydningen, er konteksten til kunnskapen svært viktig, spesifikt rikdommen den vil bli beskrevet med, dens representasjon og rollen den har med hovedkunnskapen; Det er åpenbart at med større kunnskap om konteksten vil konklusjonene som kan hentes fra resonnementet bli bedre. Som et motstykke til dette kan overflødig informasjon føre til at det går for tregt i resonneringsprosessen. Det er derfor det er nødvendig å finne en mellomting mellom disse to begrepene.
Resonnement basert på analogier
Dette begrepet brukes ofte som et synonym for saksbasert resonnement fordi det har de samme egenskapene som det forrige. Likevel har den en rekke særegenheter som gjør den annerledes. Først av alt bør det bemerkes at i motsetning til den forrige, tillater dette karakterisering av metoder for å løse problemer basert på tilfeller som vi har i kunnskapsbasen, men som har et annet domene. For å forstå det bedre kan vi bruke eksemplet med gutten og potten, og vi kan se at denne saken kan ekstrapoleres til en annen kontekst, som at gutten er i felten og moren hans advarer ham om noe. Vi kan se at kontekstene er totalt forskjellige, men likevel er det nok forbindelser, i dette tilfellet moren, som gjør det mulig å formalisere en begrunnelse for den nye saken på den allerede eksisterende saken. Studiet av denne typen resonnement finnes altså i studiet av de eksisterende tilfellene i kunnskapsbasen og deres gjenbruk, en prosess som får navnet på kartleggingsproblemet, som i utgangspunktet består i å finne en måte å overføre eller kartlegge løsningen på. som presenterer en viss analogi (kalt kilden) med problemet vi har å gjøre med (kalt målet).
Som vi kan se, på en eller annen måte prøver alle begrepene alt og som har sine særtrekk å løse problemet med å lage et ekspertsystem fra den samme karakteriseringen av problemet. Til tross for eksistensen av dette mangfoldet av begreper, vil vi i dette arbeidet fortsette å bruke "tilfellebasert resonnement", men i et generisk felt for å omfatte alle disse særegenhetene.
Så langt har det vi har gjort for det første vært å visualisere konteksten som utviklingen av dette problemet skjer i, for så å fortsette med en bedre karakterisering av hva saksbasert resonnement egentlig var basert på dens definisjon. Det neste logiske trinnet når vi har gjort alt vil være å beskrive i større dybde hvordan prosessen med å utvikle denne typen resonnement er og hva som gjøres i hvert av trinnene.
Som det meste innen kunstig intelligens, er det mange teknikker for å implementere det samme. Denne saken er ikke et unntak, og vi finner flere måter å gjøre det på, selv om vi i dette arbeidet vil fokusere hovedsakelig på to av dem:
Deretter vil vi fortsette å beskrive de to modellene på en mer streng og dyptgående måte, ikke uten først å legge til at disse to modellene viser seg å være komplementære til hverandre og representerer to forskjellige syn på saksbasert resonnement, det vil si, to forskjellige måter å se det samme resonnementet på. Den første av dem er basert på dynamiske modeller i det som gjøres er å dele det innledende problemet inn i underproblemer, sjekke avhengighetene som eksisterer mellom dem og produktene som følger av deres forening. Det vil si at disse problemene løses sekvensielt i form av en syklus til de når slutten av den samme syklusen.
På den annen side har vi den andre metoden som er basert på en dekomponering til ulike oppgaver, der løsning betyr å løse de metodene som vil være grunnlaget for å løse de metodene de er avhengige av. Så i dette tilfellet kan underproblemene løses i hvilken som helst rekkefølge så lenge metodene som er avhengige av dette problemet har blitt løst tidligere.
I prosessen med å dele saksbasert resonnement inn i ulike tråder, finner vi at syklusen som utgjør den kan deles inn i 4 klart differensierte prosesser:
Når vi står overfor et nytt problem som vi må gi en løsning på, er det første vi må gjøre, gitt det spesifikke problemet, huske de relevante tilfellene som kan løse det. Disse relevante sakene vil måtte være et utvalg av de sakene som vi har i kunnskapsbasen til ekspertsystemet. Vi vil avsløre for denne saken et annet eksempel enn barnet og moren. Anta for eksempel at Aragonés ønsker å forberede den neste kampen til det spanske laget til EM. Og den mest relevante opplevelsen han kan huske er den der Spania vant sitt første EM, som var for mange år siden. Aragonés-minnesaken ville bestå av alt som ble gjort på den tiden for å vinne EM (taktikk, motstanderlag) som fikk deg til å vinne, samt avgjørelsene som ble tatt etter hvert som de gikk videre i uavgjort.
Når vi først har dette settet med saker som har en rekke likheter med saken som vi må foreslå en løsning for, er det vi må gjøre å tilpasse løsningen til alle disse problemene, i sin helhet eller bare i noen av delene som vi er interessert i å transformere konteksten til disse problemene til problemet vi har i dag. I eksemplet som vi følger, ville Aragonés måtte tilpasse erfaringen han hadde fra det laget, endre spillerne for de han nå har og endre kvalitetene som lagene han er sammen med har.
Med alt dette ville vi ha en første versjon av løsningen. Likevel er det nødvendig å teste løsningen i den virkelige verden eller i en simulering og om nødvendig revidere den. Det som menes med dette er at dette er en sirkulær prosess der ulike saker av kunnskapsbasen gjenbrukes, løsningen gjennomgås og dersom den ikke er tilfredsstillende modifiseres den igjen med inkludering eller eliminering av de sakene som var feil eller legge til de som manglet for å perfeksjonere løsningen. Hvis vi fortsetter med eksemplet vi bruker, ville dette bety at Luis ville teste stillinger og etter hvert som vi begynte å tape kamper, ville han endre justeringene i henhold til kriteriene som ble brukt i Europa som ble vunnet.
Til slutt er det siste trinnet oppbevaring. Etter at løsningen er vellykket tilpasset for å løse det gitte problemet, vil vi lagre den resulterende opplevelsen som en ny sak i minnet. I vårt tilfelle vil det lagre opplevelsen som er et resultat av å ha spilt spillet og konklusjonene som er kommet. Enten du har vunnet eller tapt. La oss huske at en av interessene til saksbasert resonnement ligger ikke bare i å huske de resulterende sakene som har vært vellykket, men også de der den har mislyktes, siden vi med disse vil kunne forbedre resonnementet til ekspertsystemet siden når det må utføres, vil en lignende type resonnement være kjent for ikke å følge den linjen, da den fører til et feil resultat.
I det følgende bildet illustrerer vi hvordan denne syklusen utføres:
Gjennom dette bildet kan vi tydeligere se syklusen som dette resonnementsystemet følger, og fremfor alt er det viktig å synliggjøre kunnskapsgrunnlagets sentrale karakter. Det er veldig tydelig i denne ordningen hvordan noen av stadiene er nært knyttet til eksisterende kunnskap og fremhever også hvordan det siste trinnet ligger i å legge til den nye casen som vi har generert innenfor kunnskapsbasen for å kunne bruke den i fremtidig resonnement. Legg også merke til at påvirkningen av denne kunnskapsbasen kan variere, fra liten påvirkning til stor påvirkning avhengig av metoden for resonnement basert på case som vi har brukt.
Prosessen som vi har sett i form av en syklus har som mål å understreke den sekvensielle karakteren av trinnene. For en større dekomponering og beskrivelse av de 4 trinnene som vi tidligere har nevnt, vil vi bruke en visjon av problemstillingen i form av oppgaver hvor hvert trinn eller delproblem ses som en målsetting som saksbegrunnelsen skal nå. .
Mens vi i den forrige prosessen hadde et glottalt, eksternt syn på hva som skjedde i hvert av trinnene vi tok i resonneringsprosessen, har vi et syn orientert mot de forskjellige oppgavene vi har tillater oss å beskrive med et detaljnivå hva som er skjer og mekanismene som brukes fra saksbasert resonnement. På kunnskapsbasens nivå blir ekspertsystemet sett på som en agent som har et mål å oppnå, som er å gi en løsning, og midlene til rådighet for å nå nevnte løsning.
Dermed kan beskrivelsen lages fra tre forskjellige perspektiver:
Dermed, som vi har sagt tidligere, forfølger oppgavene målet med systemet, og disse oppgavene er utdypet fra anvendelsen av en av de eksisterende metodene i systemet. Men det må tas i betraktning at for at en metode skal kunne oppnå løsningen av en oppgave, er det nødvendig at alle de oppgavene den er avhengig av er utført. Dermed kan vi se hvordan rammeverket vi opererer i er sterkt påvirket av denne kunnskapsbasen.
I grafen har vi brukt navn i fet skrift for å betegne oppgavene, mens metodene som er brukt er skrevet i kursiv. En annen viktig ting å nevne er de forskjellige eksisterende fagforeningene mellom ulike oppgaver som er representert ved fagforeningsforbindelser mellom dem, ledd som får navnet på oppgavenedbrytning. Det første som skiller seg ut er at hovedmålet funnet ved roten av treet er det endelige målet for resonnementet, som er løsningen av problemet. Så det er ikke overraskende å finne i den nedre delen de 4 trinnene der vi hadde brutt ned løsningssyklusen for saksbasert resonnement.
Som vi kan se på et øyeblikk, i disse to tingene som vi nettopp har sagt, blir den store forskjellen som eksisterer mellom de to metodene som vi har beskrevet tydelig, mens vi i den ene måtte følge hvert av trinnene som er beskrevet, i denne vi kan utføre de trinnene vi ønsker ettersom vi har den nødvendige informasjonen, som allerede kan komme direkte fra kunnskapsbasen eller som et resultat av en annen prosess. Dermed kan vi i dette eksemplet se tydeligere hvordan det gjøres med denne visjonen, og det er at vi har de forskjellige settene med oppgaver og disse grupperes gradvis for å oppnå løsningen på problemet som vi ønsket som et endelig resultat. Dermed kan vi se hvordan alle oppgavene der vi deler problemet er nok til å løse hele problemet.
Når vi har analysert i dybden hele prosessen med hvordan man gjennomfører saksbasert resonnement, vil det være viktig før man fortsetter å analysere alle de problemene som eksisterer for å gjennomføre en korrekt implementering og den mest effektive måten å løse dem på. Som vi allerede kan gjette, vil disse problemene hovedsakelig finnes i to klart differensierte deler, på den ene siden vil vi ha alle de som er relatert til vedlikehold av kunnskapsbasen, og på den andre siden vil vi ha de som er knyttet til linjen av begrunnelse å følge. I utgangspunktet er de to ganske beslektede problemer, siden de trenger hverandre for å nå den endelige løsningen.
Så da vil vi fortsette å beskrive hvert av problemene med mulige løsninger for å unngå dem.
Til nå har vi ikke nevnt noe sted hvordan vi skulle organisere representasjonen av sakene, og dette er absolutt en av de viktigste delene av bruken av dette systemet, siden avhengig av hvilken organisasjon vi har valgt, vil det i stor grad betinge oss effektivitet. at ekspertsystemet vil ha og som en konsekvens av dette kvaliteten på løsningen som vi skal få; Derfor er denne delen verdig spesiell oppmerksomhet.
Saksbasert resonnement er veldig avhengig av strukturen som sakene er lagret i. Ettersom et problem løses gjennom tidligere erfaringer, må prosessen med å søke og koble sammen denne løsningssaken og saken vi prøver å løse, nødvendigvis være effektiv. Hovedproblemet vi står overfor er å bestemme hvilke elementer vi skal lagre i saken, finne en passende struktur for å gjøre det. I tillegg vil det være nødvendig å bestemme en struktur der vi skal lagre casesettet, det vil si hvordan vi skal gjennomføre organiseringen av sakene som utgjør kunnskapsbasen, samt deres indeksering, to av de viktigste egenskapene for å sikre rask tilgang til sakene. Til slutt vil vi sitte igjen med problemet med å integrere denne pakken av saker i kunnskapsbasemodellen slik at denne kunnskapen kan inkorporeres i systemet og få tilgang til resten av ekspertsystemet.
Når vi har definert problemet som vi finner det nødvendig å beskrive en måte å løse disse problemene på. I dette tilfellet finner vi i utgangspunktet to mulige implementeringer: en dynamisk minnemodell utviklet av Schank og Kolodner og modellen av kategorier og eksempler av Porter og Bareiss .
Dynamisk minnemodellDen grunnleggende ideen med denne modellen er å organisere alle de tilfellene som deler et sett med egenskaper under en mer generell struktur, kalt en generalisert episode. En generalisert episode (EG) inneholder tre forskjellige typer objekter: normer , tilfeller og indekser .
Normene er fellestrekkene til alle sakene som deler de samme egenskapene, det vil si under samme EG. Når det gjelder sakene , er det ikke nødvendig med ytterligere forklaring siden dette er sakene som er studert til dags dato. Til slutt er indeksene de egenskapene, i motsetning til normene, som skiller de forskjellige tilfellene som danner en EG. Dermed vil en indeks peke mer direkte til en mer generalisert episode eller direkte til en sak. Disse indeksene består av to deler, indeksnavnet og indeksverdien.
Det er lett å se at hele kunnskapsgrunnlaget som utgjøres av casene er et nettverk som skiller mellom de ulike tilfellene, der hver node i grafen er en generalisering av episoden. Vi kan også se hvordan hvert par indeksverdier peker fra en generalisering fra en episode til en annen. Så vi kan se hvordan denne ordningen som vi planlegger er overflødig ettersom det er flere veier til en bestemt sak eller EG.
Når vi har en beskrivelse av en ny sak og vi skal søke etter den beste matchen med en annen, introduseres saken som vi får som input øverst i strukturen der vi lagrer informasjonen, og starter med hovednoden. Søkeprosessen er lik både for saksinnhenting og lagring. Derfor, det som følger dette er et ganske logisk trinn og består i at når en eller flere av egenskapene til saken faller sammen med en eller flere av de til en eller annen EG, er den første saken som vi startet fra diskriminerende basert på det ikke-vanlige. egenskaper. Det vi gjør er med andre ord å gå ned i saken gjennom treet vi har til vi når et av bladene. I løpet av prosessen med å lagre en ny sak, når noen karakteristikk av saken faller sammen med en karakteristikk ved en eksisterende sak, opprettes en ny generell episode, og de to sakene blir deretter diskriminert ved å bli indeksert under forskjellige indekser under denne episoden. I tilfelle at to av sakene eller to av EG-ene under lagringen av denne saken endte opp med samme indeks, vil det automatisk bli opprettet en ny generalisering. Så vi kan se hvor navnet på metoden kommer fra, og faller tilbake på denne dynamiske minneflyttingsfunksjonen når vi introduserer nye tilfeller.
Når det gjelder gjenoppretting av tilfellene når de først er innenfor strukturen, består operasjonen av søk innenfor EG som har flere normer til felles med problembeskrivelsen; dette er logisk med tanke på beskrivelsen vi hadde gitt om at det var en norm. Indeksene som deler samme EG blir deretter gjennomgått for å finne den saken som inneholder de mest problematiske egenskapene. På den annen side gjøres lagringen av en ny sak ved å følge den samme strukturen, men ved å legge til de tidligere beskrevne dynamisk legge til de nye episodene hvis de er nødvendige. Dette vil lett forårsake en stor vekst i antall indekser på grunn av økningen i antall saker, og det er derfor mange systemer som bruker denne strukturen setter begrensninger på generering av indekser for saker. Et eksempel på denne typen kunnskapsrepresentasjon vil være CYRUS.
Modellkategorier og eksemplerDen grunnleggende filosofien til denne metoden er å forstå saker som eksempler fra den virkelige verden, ikke som enkle konsepter. I den virkelige verden har ikke alle egenskapene til objektene like stor betydning, det er noen som har større vekt enn andre i beskrivelsen av det samme, og det denne modellen prøver å fremheve er dette. I tillegg kan disse eksemplene kategoriseres, det vil si at de kan organiseres i henhold til kategoriene de tilhører.
Faktabasen er inneholdt i et nettverk strukturert av kategorier, saker og indekspekere. Slik vi har definert det, har vi at hvert tilfelle er assosiert med en bestemt kategori og indeksene, med samme definisjon som i forrige modell, er av tre typer: indekser som knytter egenskapene til problemene med sakene eller kategoriene, er også foreningene mellom ulike nabosaker, forståelse av naboer de tilfellene som bare varierer i noen få egenskaper. Den siste typen er de som representerer foreningen mellom kategoriene og sakene knyttet til disse kategoriene. Som vi kan se, er det greit å merke seg at egenskapene ikke bare kan knyttes til eksemplene, men også til egenskapene i seg selv, disse egenskapene er da felles for alle eksemplene som inngår i den kategorien.
Å finne en sak i kunnskapsbasen som samsvarer med beskrivelsen gjøres ved å kombinere egenskapene til oppføringen og velge de som er fra samme kategori, med tanke på at for å velge kategorien må vi basere den på den kategorien. har flere kjennetegn til felles med saken som vi tar utgangspunkt i. For å lagre en ny sak må vi se etter en sak som matcher den vi ønsker å introdusere ved å bruke indeksene for dem. Hvis saken som vi finner bare har små forskjeller med saken som allerede eksisterer, er det ikke nødvendig å lagre eller egenskapene til de to sakene kan kombineres, i tilfelle ingen sak blir funnet, vil den nye saken bli satt inn i fra faktagrunnlaget.
Gjenopprettingsprosessen begynner med en delvis beskrivelse av inndataproblemet, med målet med gjenopprettingsstadiet å gi et sett med saker som svar, som presenterer et større antall likheter med den opprinnelige saken, det vil si at de har mest mulige likheter med det opprinnelige tilfellet. Identifikasjonsprosessen starter i utgangspunktet med en serie beskrivelser av problemet som vil være grunnlaget som vi vil prøve å finne eventuell likhet med en eksisterende case i kunnskapsbasen.
Deretter vil vi gå videre med å beskrive de ulike stadiene der gjenopprettingen av sakene som vi har i kunnskapsbasen kan deles opp.
Identifikasjon av egenskapene
For å identifisere et problem i utgangspunktet, som vi allerede har sagt, er det nødvendig å kjenne til noen første beskrivelser av problemet, men normalt, og spesielt i tilfeller hvor vi håndterer problemer knyttet til store mengder kunnskap, er det en nærmere syn på problemet er nødvendig problem, som lar oss forstå problemet, så vel som dets kontekst. Derfor er det nødvendig å gi ikke bare en beskrivelse av hovedproblemet som skal løses, men også en beskrivelse av alle de viktige elementene i konteksten til problemene.
innledende kamper
Arbeidet med å finne en god sammenheng mellom en sak om kunnskapsbasen og problemet vi har tatt opp kan deles inn i to ulike delprosesser: en innledende prosess hvor mulige kandidater søkes, og en andre prosess der alle disse kandidatene velges ut. mer egnet. For det første, for å finne det settet med saker som har noe sammenfall med problemet vårt, må vi basere oss på beskrivelsene av det opprinnelige problemet, så vel som på egenskapene som hver av de lagrede sakene har. Det er hovedsakelig tre måter å hente en sak eller et sett med saker på: etter direkte indeksering til pekere til sakstrekk, søk i den indekserte strukturen eller søk etter en casemodell i kunnskapsbasen.
Sakene som vi trekker ut må ha kjennetegn til felles med problemet vi ønsker å løse, og som det fremgår, vil de sakene som har en stor del av sine kjennetegn til felles være de beste kandidatene som kan velges ut, men avhengig av strategi, vil disse ikke være de eneste utvalgte kandidater, og kan også være de sakene som har et sett med kjennetegn til felles med problemet.
Utvalg
Etter å ha utført et mer eller mindre uttømmende søk på settet av saker for å trekke ut de sakene som har flere kjennetegn til felles, har punktet kommet da det vil være nødvendig å velge fra dette settet av kandidater de sakene som er mer sannsynlig å bli en god løsning på problemet. Mange ganger avgjøres det beste samsvaret mellom sak og problem ved en revurdering av det første utvalget som er gjort. Dette gjøres med sikte på å lete etter mulige forklaringer på hvorfor det utvalget ble gjort, det vil si at det søkes etter en måte å begrunne disse valgene på. Hvis begrunnelsene ikke er kraftige nok til å opprettholde den saken som et mulig resultat, blir den forkastet og resten av de eksisterende sakene i systemet fortsetter. Denne utvelgelsesprosessen er mer forseggjort enn den forrige, hovedsakelig fordi i det forrige settet med saker vi måtte sjekke var mye høyere enn det nåværende, og derfor var kontrollene vi kunne utføre færre, men med et mindre sett av tilfeller er det mer omfattende testing mulig. Utvelgelsesprosessen genererer normalt en rekke konsekvenser av valget av hver sak, konsekvenser som senere kan revurderes. På samme måte, i denne utvelgelsesprosessen, scores sakene i henhold til deres beste likhet med det opprinnelige problemet eller ikke, dette er en måte å sortere dem i henhold til deres tilstrekkelighet til å være fremtidige sluttkandidater. Andre kriterier som brukes i denne utvelgelsesprosessen er å diskriminere det faktum at noen spesifikke egenskaper ikke er de samme, osv.
På slutten av bruken av dette trinnet vil vi finne et sett med saker som vil være de som er valgt ut for å bli gjenbrukt, det vil si som skal brukes i fasen med utarbeidelse av en løsning for inputproblemet som ble stilt til oss. Det er viktig at som et resultat av denne utvelgelsesprosessen, er de resulterende sakene tilstrekkelig like målene som kreves av problemet, siden hvis denne prosessen ikke er så tilstrekkelig som ønsket, i de følgende trinnene ville resultatene som ville oppnås ikke være så godt som ønsket.
Gjenbruk av sakene er svært viktig siden med en korrekt implementering av denne teknikken vil det tillate oss å forbedre måten vi drar nytte av egenskapene som sakene har, og derfor vil det forbedre måten vi bygger den endelige løsningen på. av problemet.
Gjenbruk av gjenopprettede saker er i utgangspunktet basert på to aspekter:
For alt dette er det en rekke teknikker som vi vil fortsette med å beskrive som vil tillate oss å forbedre måten vi gjenbruker de eksisterende sakene i systemet på.
Kopiere
I de enkleste klassifiseringsprosessene er det som gjøres i første omgang en abstraksjon av egenskapene til saken som vi ønsker å gjenbruke, og glemmer all den ikke-relevante informasjonen. Alle disse funksjonene er kopiert til den nye saken vi bygger. Som vi kan se er det en veldig enkel metode, men flere ting må tas i betraktning, som forskjellene mellom de to tilfellene og at mange ganger ikke kan kopieres direkte uten først å tilpasse dem. Vi ser denne tilpasningsprosessen nedenfor.
Passe
Det er to forskjellige måter å avvise sakene på, enten direkte avvise alle løsningene i saken som vi baserer oss på eller gjenbruke metoden vi brukte for å komme frem til løsningen av den saken, det vil si måten vi klarte å komme til den løsningen på. ... Det er tydelig at i gjenbruk av en sak er ikke denne saken den samme som vi prøver å løse, og derfor vil løsningene vi har i kunnskapsbasen i de fleste tilfeller ikke være løsninger som vi tilbyr for å løse den nye. en. Til tross for at sakens karakteristika som vi har i kunnskapsgrunnlaget ikke kan brukes på den nye casen, kan disse altså tilpasses den nye casen gjennom en tilpasningsoperasjon. Disse operasjonene må organiseres på en eller annen måte, og en måte å gjøre dette på er å indeksere dem etter forskjellene mellom de to tilfellene.
En annen viktig ting i prosessen med å bygge løsningen er valideringen av at løsningen vi har bygget er virkelig riktig og løser problemet vi har tatt opp. Alt og som vi har sagt, disse systemene er ikke bare basert på de riktige løsningene som er gitt, men også feilløsningene er introdusert i kunnskapsbasen som et eksempel på feil slik at systemet ikke genererer løsninger med den feilen og tillater å forbedre kvaliteten på løsningene. Denne fasen er det vi kaller gjennomgangen, og vi kan i utgangspunktet dele den inn i 2 stadier: evaluere den genererte løsningen, hvis den er riktig legger vi den til kunnskapsbasen, mens hvis den er feil vil vi løse problemene den har og lære av dette feil.
Deretter vil vi fortsette med å beskrive hver av disse prosedyrene mer detaljert:
Løsningsvurdering
Evalueringen av løsningen utføres ved å bruke selve løsningen i den virkelige verden, det vil si å teste hva som ville skje hvis vi brukte løsningen som ble oppnådd i konteksten der problemet hadde oppstått. Det er tydelig at løsningen ikke trenger å testes direkte på den virkelige verden, men denne verdenen kan simuleres og samle inn data som er hentet fra denne simuleringen. Tiden det tar å se testresultatene kan variere avhengig av konteksten vi befinner oss i, men det som er sikkert er at resultatet vi får fra disse testene er om valget av denne løsningen har vært riktig eller ikke. For dette vil vi måtte sammenligne verdiene som er oppnådd som en løsning for anvendelsen av løsningen i konteksten med verdiene som vi forventet å oppnå, enten det er riktig funksjon av et system, den riktige løsningen av et problem , etc. Derfor vil vi som et endelig resultat av denne evalueringen få om den foreslåtte løsningen har oppført seg som vi forventet i testsammenheng.
fikse feilene
Når evalueringen av løsningen er gjort, består det neste logiske trinnet i å reparere feilene som løsningen kunne ha med hensyn til dataene som eksperimenteringen hadde gitt oss. Som vi allerede har nevnt tidligere, i prosessen med å rette feilene, er ikke bare retting av feilene som løsningen presenterer, men det som søkes er å legge til en ny sak i systemet, men i dette tilfellet referert til som en feil. I utgangspunktet er dette også kunnskap, siden det vil hjelpe ekspertsystemet til å ta fremtidige beslutninger, slik at systemet ikke gjør de samme feilene igjen. Disse tilfellene i fremtidig resonnement kan ikke betraktes som mulige løsninger, men vil måtte betraktes som ugyldige løsninger, det vil si at dersom en av disse løsningene ble oppnådd i resonnementprosessen, ville det ikke være nødvendig å fortsette med valideringsprosessen. vi kunne direkte konkludert med at det er en feil løsning. Videre er det ikke bare det, men disse feilsakene kan bidra til å rette resonnementet mot nye løsninger som ikke kunne vært oppnådd tidligere. I eksemplet vi hadde av Luís og EM, ville et eksempel på å reparere feil for eksempel være å sette Cesc til å spille det første spillet og se hvordan han ikke gjør noe, for så å se dette "lærer" at Cesc ikke er i gang. best og Han bestemmer at i andre omgang spiller noen andre i hans sted. I dette tilfellet ser vi at løsningen som ble oppnådd fra resonneringsprosessen hadde blitt satt ut i livet på en reell sak, med førstehåndsresultatene fra det eksperimentet, og kunne lære av disse feilene.
Den saksbaserte resonnementlæringslinjen er egentlig den viktigste delen av systemet, ikke bare fordi den er ansvarlig for å utvide kunnskapsbasen til systemet, men også fordi det virkelig er den delen som virkelig vil tillate systemet å utvikle seg og fortsette. å vokse. , siden uten denne delen, til og med å ha det beste systemet basert på resonnement, ville dette systemet bare ha noen få dager å leve siden det ikke ville være i stand til å lære og hvis ting utenfor kunnskapen endret seg, ville det ikke være i stand til å løse dem riktig. Deretter vil vi presentere de ulike trinnene som finner sted i denne læringsprosessen.
Ekstrakt
Ved saksbasert resonnement oppdateres kunnskapsgrunnlaget når problemet er løst. Hvis problemet er løst ved å bruke en tidligere case, vil enten en ny case bli konstruert eller den gamle casen som løsningen ble oppnådd på vil generaliseres til å inneholde denne nye casen Hvis problemet er løst med andre metoder, inkludert kommunikasjon med brukeren vil en ny sak bli generert. Vi må uansett vite hva vi skal bruke som kunnskapskilde til å lagre i kunnskapsbasen. Beskrivelsen av problemet, samt løsningene på problemet, er de logiske kandidatene, men en forklaring eller annen begrunnelse for hvorfor løsningen er løsningen på problemet kan perfekt inkluderes i den nye casen. For eksempel i CASEY og CREEK er forklaringene også inkludert i casene og senere brukt i modifikasjonen av løsningen. CASEY bruker forklaringsstrukturen som vi nevnte tidligere for å søke etter andre tilstander innenfor diagnosemodellen som forklarer årsaken til inndataene til problemet, med sikte på å finne en bedre løsning etter å ha løst disse spørsmålene.
indeks
Indekseringsproblemet er et av de viktigste problemene i saksbasert resonnement. Det er nødvendig å bestemme hvilken type indeksering vi skal bruke for fremtidige tilganger til sakene som er lagret i kunnskapsbasen, slik at disse tilgangene enkelt kan gjennomføres. Direkte indeksering, som vi nevnte tidligere, hopper over det siste trinnet, men likevel vil det fortsatt være problemet med å identifisere hvilken type indekserer som skal brukes. Dette ville være et problem med å tilegne seg denne kunnskapen, et problem som må analyseres som en del av analysen av kunnskapsgrunnlaget. En triviell løsning på dette problemet ville være å bruke alle funksjonene til indekser direkte.
Å integrere
Dette er siste steg i prosessen med å tilegne seg ny kunnskap i kunnskapsbasen. Dersom ingen sak eller reindeksering har måttet foretas, vil det bli forsøkt å la kunnskapsbasen være som den var, siden ingen modifikasjoner ville vært nødvendig Dersom indeksering av noen av sakene som ble funnet måtte modifiseres i kunnskapen. base, vil disse modifikasjonene måtte integreres i kunnskapsbasen. Denne integrasjonsprosessen innenfor kunnskapsbasen til endringene må utføres med størst mulig oppmerksomhet, siden det endelige resultatet må være en kunnskapsbase som fortsetter å være korrekt indeksert slik at den gir fremtidig tilgang til den.
Til nå er det i forklaringene som er gjort forsøkt å til enhver tid ledsage dem med enkle eksempler for å lette forståelsen av de diskuterte temaene. Likevel ville det være interessant, når det grunnleggende i saksbasert resonnement har blitt analysert i dybden, å analysere noen tilfeller av høyere kompleksitet som lar oss forbedre vår forståelse av emnet. Deretter vil vi presentere en rekke eksempler som vil tillate leseren å verifisere hvordan en anvendelse av saksbasert resonnement vil bli utført i en reell situasjon.
Det reelle applikasjonseksemplet som er foreslått, som tittelen selv indikerer, er basert på å lage et ekspertsystem for fjernundervisning med hovedmål å automatisere undervisnings-læringsprosessen i en fjernundervisningsorganisasjon. For det har det vært nødvendig å modellere kunnskapen om undervisnings-læringsprosessen som foregår mellom en lærer med erfaring fra fjernundervisning og hans studenter, for å finne generelle og gjenbrukbare prosedyrer for å gå fra disse modellene til et system som klarer å støtte prosess, undervisning/læring på en mer reell og effektiv måte. Målet er med andre ord å få rimelig klare, fullstendige, presise og entydige beskrivelser av oppgavene som pedagog og elev utfører når de gjennomgår en fjernundervisnings-læringsprosess, og dermed få en modell på det kunnskapsnivå som artikulerer de forskjellige aktivitetene og relasjonene som er beskrevet av studenten og læreren, og som gjør det mulig å oppnå en formell modell som ligger til grunn for beskrivelsen som lar oss koble den med de beregningsbare primitivene til et programmeringsmiljø, og genererer et kunnskapsbasert system for fjernundervisning.
Systemet basert på den foreslåtte kunnskapen lar læreren, på den ene siden, generere et kurs som, basert på spesifikke mål, tillater detaljering av materialene og de mest hensiktsmessige undervisningsstrategiene for en "vanlig" student, undervisningsstrategier som vil bli modifisert over tid, og som vil bli tilpasset brukerne i henhold til deres behov. På den annen side er systemet i stand til å veilede studenten gjennom det spesielle kunnskapsdomenet som er foreslått av læreren, og løse under denne prosessen oppgaver som: utarbeidelse av en veiledningsstrategi, forslag til komplementært materiale for studiet av et emne , registrering av brukeraktiviteter og generering av nye strategier for nye saker.
Prosesstilnærmingen presenteres gjennom en use case-modell der aktørene (lærere, elever) samhandler med ulike prosesser. Under denne tilnærmingen vil hver av de nevnte modulene representere et sett med en eller flere intelligente agenter. Disse enhetene vil samarbeide med hverandre, med det endelige målet om å oppnå systemets sentrale mål: overføring av kunnskap til studenten og generering av kurs på en mer automatisert måte gjennom generering av undervisnings-/læringsstrategier som er tilpasset til studentene..
Som vi kan se, er dette et problem som kan løses perfekt ved å bruke et saksbasert resonnementekspertsystem, siden ideen om å bruke saker til å lagre informasjonen og at den brukes til å bygge følgende løsninger er tilstrekkelig for problemet problemutvikling.
Dette eksemplet tar sikte på å designe et kunnskapsbasert system hvis hovedmål er generering av forretningsmodeller. Dette er et typisk dataproblem, og hvis du analyserer det i dybden kan du se at det følger visse mønstre. Derfor er implementeringen i form av et ekspertsystem logisk. Hvis vi analyserer i dybden om det er tilstrekkelig å implementere dette ekspertsystemet gjennom saksbasert resonnement, kan vi se at det er et godt alternativ siden i denne typen situasjoner vil alt som også kan bygges fra et regelbasert system være mer hensiktsmessig. .bruk metoden fra case, siden design av forretningssystemer er en ganske variabel jobb, og det er interessant å vurdere muligheten for å bygge nye løsninger fra eksisterende løsninger, basert på case som har lignende sammenhenger.
Dette ville tillate oss å bygge en løsning skreddersydd til problemet vi hadde ved inngangen. En av de tingene vi egentlig bør spørre oss selv er om problemet vi ønsker å løse ikke er for stort i forhold til de eksisterende mulighetene for å løse det, det vil si om det er for mange sammenhenger eller typer problemer å løse. I dette tilfellet anser jeg ja, siden forretningsmodeller for ethvert system kan bygges, og det er derfor mye kunnskap generelt er nødvendig. Likevel, hvis vi analyserer problemet, kan vi se at det i mange tilfeller ikke er nødvendig å kjenne konteksten til problemet så godt, og at de alle er løst på en veldig lik måte.