Die folgenden Seiten beschäftigen sich mit dem in den letzten Jahren zunehmenden Bereich des Case-based reasoning (CBR) (dt. Fallbasiertes Schliessen). Case-based reasoning ist eine Technik, die aus der Psychologie abgeleitet ist und in verschiedenen Anwendungsberei-chen zum Tragen kommt, vornehmlich in der Künstlichen Intelligenz (KI). Im weiteren Verlauf wird, ausgehend von dem Hintergrund und der Motivation dieses The-mengebiets, die Begrifflichkeit erklärt sowie ein einführendes Beispiel aufgeführt, um die späteren Konzepte leichter nachvollziehbar zu machen. Im Hauptteil werden die wichtigsten Grundlagen von CBR erklärt und anhand des Phasenmodells von Aamodt und Plaza [AaPl94] durchlaufen. Ferner wird auf den Aufbau von CBR-Anwendungen hingewiesen und kommerzielle Werkzeuge vorgestellt. Im Schlussteil erfolgt dann abschliessend eine Zusam-menfassung des Themenkomplexes, und ein Blick auf die zukünftige Entwicklung soll helfen zu verstehen, warum dieses Gebiet in den letzten Jahren so grosse Fortschritte gemacht hat und in neuen Bereichen wie self-service und e-commerce im WWW anzutreffen sein wird.
Inhaltsverzeichnis
1. Einleitung
1.1. Motivation und Hintergrund
1.2. Kognitionswissenschaftliche Basis
1.3. Problemlösungen mit Case-Based-Reasoning
2. Grundbegriffe und Fallrepräsentation
2.1. Repräsentationsformalismen
2.2. Ähnlichkeitsbestimmung(similarity)
2.3. Fallbasis und Lösungstransformation
2.4. Grundtypen von CBR-Methoden
3. Prozessmodell
3.1. Retrieve
3.2. Reuse
3.3. Revise
3.4. Retain
4. Aufbau von CBR-Systemen und kommerzielle Werkzeuge
5. Zusammenfassung
Zielsetzung und Themen
Das Hauptziel dieser Arbeit ist es, die Funktionsweise und das Prozessmodell des Case-Based Reasoning (CBR) zu erläutern, um dessen Anwendungspotenzial in der Künstlichen Intelligenz aufzuzeigen und die kognitiven Grundlagen der Problemlösung durch Erinnerung verständlich zu machen.
- Kognitive und theoretische Grundlagen des Case-Based Reasoning
- Strukturierung und Repräsentation von Fallbasen
- Detaillierte Analyse des vierphasigen CBR-Prozessmodells (Retrieve, Reuse, Revise, Retain)
- Klassifizierung der Grundtypen von CBR-Methoden
- Überblick über den Aufbau von CBR-Systemen und kommerzielle Werkzeuge
Auszug aus dem Buch
1.1. Motivation und Hintergrund
Autowerkstatt "Car&Bike": es ist kurz vor Feierabend. Automechaniker Stefan H. will gerade abschliessen als noch ein letzter Kunde kommt. Das Problem mit seinem Wagen liegt darin, dass der Motor nicht mehr anspringt. Nach einer ersten oberflächlichen Überprüfung stellt er fest, dass sowohl genug Benzin im Tank ist, als auch Öl und Wasser stimmen und keine, auf den ersten Blick wahrnehmbaren, Schäden an Keilriemen oder Lichtmaschine zu erkennen sind. Stefan H. überlegt woran es liegen könnte. Da fällt ihm der Kunde von letztem Monat ein: da hatte der Wagen die gleichen Symptome und nach langer Suche wurde das Übel in Form der kaputtgegangenen Einspritzpumpe identifiziert. Diesmal wird Stefan H. sofort mal nach der Einspritzpumpe sehen...
Was Stefan H. gerade durchdacht hat stellt eins von vielen alltäglichen Beispielen für kognitive Leistung dar. Man steht vor einem Problem und versucht es zu lösen, indem man auf Lösungen von früheren ähnlichen Problemen zurückgreift. So eine Vorgehensweise ist nicht selten anzutreffen: in der Rechtssprechung geht der Vergleich zwischen einem aktuellen Strafdelikt und einem früheren Präzedenzfall dieselben Wege; ebenso eine Grundschullehrerin, die den Streit zweier Schüler um einen Fussball schlichtet und dabei die gleiche Vorgehensweise an den Tag legt wie einige Stunden zuvor auch.
Zusammenfassung der Kapitel
1. Einleitung: Einführung in das Themengebiet des Case-Based Reasoning, Motivation durch Alltagsbeispiele und Ausblick auf den Aufbau der Arbeit.
2. Grundbegriffe und Fallrepräsentation: Definition zentraler Begriffe wie Fall und Fallbasis sowie Vorstellung verschiedener Repräsentationsformalismen und Maße zur Ähnlichkeitsbestimmung.
3. Prozessmodell: Detaillierte Darstellung des vierstufigen CBR-Kreisprozesses bestehend aus Retrieval, Reuse, Revise und Retain.
4. Aufbau von CBR-Systemen und kommerzielle Werkzeuge: Untersuchung der technischen Realisierung durch Wissenscontainer und Vorstellung marktgängiger CBR-Softwarelösungen.
5. Zusammenfassung: Resümee über die Voraussetzungen für erfolgreiche CBR-Anwendungen und Einschätzung der zukünftigen Trends im Bereich der KI.
Schlüsselwörter
Case-Based Reasoning, Fallbasiertes Schließen, Künstliche Intelligenz, Fallbasis, Ähnlichkeitsbestimmung, Wissensrepräsentation, Prozessmodell, Retrieve, Reuse, Revise, Retain, Dynamisches Gedächtnis, Adaption, Diagnostik, Problemlösung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt das Prinzip des Case-Based Reasoning (CBR) als eine Technik der Künstlichen Intelligenz, bei der Probleme durch den Rückgriff auf Erfahrungen aus bereits gelösten Fällen bearbeitet werden.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die kognitionspsychologischen Grundlagen des Fallbasierten Schließens, die methodische Strukturierung von Wissensbasen sowie der technische Prozess von der Fallsuche bis zum Lernen aus Fehlern.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, ein systematisches Verständnis des CBR-Prozessmodells zu vermitteln und aufzuzeigen, wie dieses Modell in praktischen Anwendungen zur Problemlösung eingesetzt werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stützt sich auf eine Literaturanalyse bestehender kognitionswissenschaftlicher Modelle und technischer Konzepte des CBR, insbesondere basierend auf dem Modell von Aamodt und Plaza.
Was wird im Hauptteil behandelt?
Der Hauptteil erläutert den Aufbau einer Fallbasis, die mathematische Ähnlichkeitsbestimmung, das vierstufige Prozessmodell (Retrieve, Reuse, Revise, Retain) sowie die praktische Implementierung in Softwaresystemen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind CBR, Fallbasis, Ähnlichkeitsmaße (wie das Hammingmaß), Adaption, Wissenscontainer und das dynamische Gedächtnis.
Wie unterscheidet sich "Transformational Analogy" von "Derivational Analogy"?
Bei der Transformational Analogy wird lediglich die bereits gefundene Lösung eines alten Falls modifiziert, während bei der Derivational Analogy der gesamte Lösungsweg des alten Falls reproduziert wird, um ein neues Problem zu lösen.
Warum ist die "Revise"-Phase für CBR-Systeme so entscheidend?
Die Revise-Phase ist kritisch, da sie die Validierung und Korrektur der durch das CBR-System generierten Lösung ermöglicht, um sicherzustellen, dass nur qualitativ hochwertige oder erfolgreich korrigierte Fälle in die Fallbasis übernommen werden.
- Quote paper
- Diplom-Wirtschaftsinformatiker Hermann Hutter (Author), 2003, Case Based Reasoning - Konzepte und Anwendungsbeispiele, Munich, GRIN Verlag, https://www.grin.com/document/22685
