Racioc nio baseado em casos
This presentation is the property of its rightful owner.
Sponsored Links
1 / 51

Raciocínio Baseado em Casos PowerPoint PPT Presentation


  • 68 Views
  • Uploaded on
  • Presentation posted in: General

Raciocínio Baseado em Casos. Teresa Ludermir Centro de Informática - UFPE. Aprendizado Baseado em Instâncias. K-vizinhos mais próximos ( Nearest Neighbours ) Raciocínio Baseado em Casos. Aprendizado Baseado em Instâncias.

Download Presentation

Raciocínio Baseado em Casos

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Raciocínio Baseado em Casos

Teresa Ludermir

Centro de Informática - UFPE


AprendizadoBaseadoemInstâncias

  • K-vizinhos mais próximos (Nearest Neighbours)

  • RaciocínioBaseadoemCasos


AprendizadoBaseadoemInstâncias

  • A aprendizagem consiste somente em armazenar os exemplos de treinamento <x1,c1>, <x2,c2> . . . <xn,cn>.

  • Após a aprendizagem, para encontrar o valor do conceito alvo associado a uma instância de testes <xt, ? >, um conjunto de instâncias similares são buscadas na memória e utilizadas para classificar a nova instância.

  • A generalização é feita somente quando uma nova instância deve ser classificada.


AprendizadoBaseadoemInstâncias

  • Muitos métodos de aprendizagem constroem uma descrição geral e explicita da função alvo a partir de exemplos de treinamento.

  • Os métodos de aprendizagem baseados em instâncias simplesmente armazenam os exemplos de treinamento.


AprendizadoBaseadoemInstâncias

  • Constroem uma aproximações para a função alvo para cada instância de teste diferente.

  • Constrói uma aproximação local da função alvo.

  • Podem utilizar representações mais complexas e simbólicas para as instâncias


AprendizadoBaseadoemInstâncias

  • Uma desvantagem é o alto custo para classificação.

    • Toda a computação ocorre no momento da classificação !!!

    • Aumenta com a quantidade de exemplo de treinamento.


Raciocínio baseado em regras - RBR

Um sistema que usa RBR resolve problemas tomando uma especificação de entrada (ou desenvolvendo um conjunto de perguntas-e-respostas com o usuário) e então “encadeia” um conjunto de regras apropriadas obtidas a partir de uma base de regras para chegar a uma solução.


Raciocínio baseado em regras

  • A capacidade de aprendizagem não é algo inerente aos sistemas baseados em regras;

    • Dificuldade de adaptação às mudanças, surgimento de novos problemas dentro do domínio corrente;

  • A construção e a manutenção são tarefas que demandam muito tempo

    • A extração de regras junto a especialistas também é uma tarefa árdua;

    • As regras são inerentemente dependentes de outras regras;

    • É muito complexa a tarefa de eliminação erros.


“Pessoas: Experiência vivida”

  • Classificação: “Os problemas de ouvido deste paciente são casos típicos de otite média”

  • Soluções compiladas: “Os sintomas de coração do paciente X podem ser explicados da mesma maneira que aquele paciente Y”

  • Avaliando medidas: Minha casa é como aquela que foi vendida mais em baixo nesta rua por R$25.000,00 mas ela tem uma vista melhor”


“Pessoas: Experiência vivida”

  • Concepção (design): para projetar este hospital, vou me basear naquele que já fiz com um número de leitos parecido, embora tenha de adaptá-lo pois este é de esquina

  • Avaliando opções: se nós atacássemos as intalações dos mísseis cubanos/russos, seria como no caso de Pearl Harbor


Regras

Experiência

Engenheiro de

conhecimento

Algoritmo de

aprendizagem

Regras

Experiência

Experiência: o que o especialista tem de mais valioso

  • Sistemas Especialistas convencionais:

  • (alguns) Sistemas Especialistas de segunda geração:


Experiência: o que o especialista tem de mais valioso

  • Case-based reasoning system

    • Um método de resolução de problemas onde novos problemas são resolvidos adaptando-se soluções de antigos problemas similares

    • aprendizado incremental on-line

    • suavisa necessidade de aquisição de conhecimento

    • tem plausibilidade cognitiva

Experiência

Experiência


O que é Raciocínio Baseado em Casos (RBC) ?

  • Case-basedreasoning system is ... reasoningbyremembering. Leake, 1996

  • A case-basedreasoner solves newproblemsbyadaptingsolutionsthatwereused to solve oldproblems. Riesbeck & Schank, 1989

  • Case-basedreasoning is a recent approach to problemsolvingandlearning ... Aamodt & Plaza, 1994

  • Case-basedreasoning is both ... Thewayspeople use cases to solve problemsandthewayswecanmake machines use them. Kolodner, 1993


Definição de RBC

  • Raciocínio Baseado em Casos (RBC) é um paradigma de IA que utiliza experiências passadas para solucionar problemas correntes

    • Abordagem muito utilizada por seres humanos para resolver problemas práticos

  • Um caso

    • é um episódio vivido

    • contém a descrição de : problema + solução

    • exemplos: um paciente, um projeto arquitetônico, uma situação, uma causa jurídica, uma melodia, etc.


Exemplos

  • Aulas de Aldo vonWangeheim

    • Transparências 8 - 24


Fases do RBC

  • Em geral, sistemas de RBC estão relacionados aos processos:

    • Representação de Casos

    • Indexação de Casos

    • Armazenamento e Recuperação de Casos

    • Adaptação de Casos

    • Avaliação e Reparo de Casos


Fases do RBC


RBR vs. RBC – Obtenção de conhecimento

  • RBR

    • Articulação de soluções é realizada por inferências sobre um conjunto potencialmente grande de regras;

    • É preciso reestruturar o código para acomodar expansões e tratamento de casos particulares.

  • RBC

    • O aprendizado é uma tarefa natural, através da retenção de novos casos;

    • O conhecimento do domínio não precisa ser completamente definido no desenvolvimento do sistema.


RBR vs. RBC - Memória

  • RBR

    • Não possuem memória, o que obriga a construção de soluções sempre a partir do zero.

      • Erros anteriores tendem a acontecer novamente.

  • RBC

    • Possuem uma memória de casos anteriores, continuamente incrementada.

    • Permite construir soluções a partir de outras, minimizando o tempo gasto e evitando cometer novamente os mesmos erros;


RBR vs. RBC - Robustez

  • RBR

    • Quando um problema não se encaixa em nenhuma regra, o sistema simplesmente não pode resolvê-lo.

  • RBC

    • Podem adaptar casos com características similares que podem ser úteis para resolver o problema atual.


Sistemas baseados em regras: críticas

  • aquisição de conhecimento muito difícil

    • regras nem sempre são intuitivas

  • desenvolvimento é muito longo

  • não aprende

  • não é robusto

  • tratamento de incerteza complicado

  • manutenação e refinamento são delicados

  • é lento


Desenvolvimento de um sistema RBC

  • Qual a natureza e conteúdo dos casos?

  • Como representá-los?

  • Como indexá-los de maneira a poder encontrá-los adequadamente e rapidamente mais tarde?

  • Qual são os critérios para a escolha do melhor caso e como recuperá-lo?

  • Como estruturar (organizar) os casos da base?

  • Como adaptar o caso recuperado?


Natureza e conteúdo dos casos

  • Pergunta chave

    • O que é um caso no domínio abordado?

  • Conteúdo

    • Mínima: descrição do problema e da solução

    • Extensões: avaliação da solução (falhas, sucesso, etc.) , contexto (justificação, links com outros casos, etc.),

  • Quantidade de casos

    • distribuir bem no espaço de problema n-dimensional (n atributos)


Representação dos Casos

  • Definição do conteúdo que será armazenado.

  • Determinação das características mais relevantes de cada caso.

  • Busca de uma estrutura apropriada para descrever estas características.


Representação dos Casos

  • Várias linguagens

    • de vetores de características

    • Atributo-valor (frames, redes semânticas, objetos, ...)

    • lógica de primeira ordem


Indexação

  • Objetivo: dar ao sistema conhecimento sobre como estocar e comparar (match) casos

  • Vocabulário de indexação

    • índice = atributo, característica, predicado, ...

    • Pode ser feita manual ou automaticamente


preço

ano

modelo

marca

opcionais

kilometragem

motor

cor

....

Indexação

  • Interpretação de situação

    • os índices realmente relevantes para um problema/situação em particular


Indexação

  • Indexação pelo vizinho mais próximo

    • Baseada na distância euclidiana entre o novo caso e os casos armazenados;

  • Indexação indutiva

    • Determina indutivamente quais as características mais importantes para os vários casos;

  • Indexação baseada em conhecimento

    • Utiliza o conhecimento existente na literatura para cada caso e determina quais características são importantes para recuperá-los;


Similaridade e recuperação

  • O casamento é parcial !!!! =>Mais robustez

  • Etapas da recuperação

    • Matching: encontrar os N casos mais similares ao caso alvo

    • Ranking: Escolher o melhor caso MC em relação o alvo


Adaptação dos casos

  • Objetivo: compensar as diferenças entre o problema-alvo e problema-fonte escolhido

  • Adaptação: 3 tipos

    • Cópia: usada normalmente em classificação

    • Adap. Estrutural: a partir da própria solução recuperada

    • Adap. Derivacional: a partir da maneira com que a solução recuperada foi gerada


Adaptação dos casos

  • Para as duas últimas formas de adaptação as operações são:

    • ajuste de parâmetros, abstração e especialização, substituição,...

  • Problema:

    • depende do domínio,coordenação do conjunto de operadores de transformação


Exemplo de Adaptação

  • JULIA precisa criar uma refeição italiana (e que não contenha carne) composta de entrada, massas, refeição principal e sobremesa;

  • Baseando-se em casos anteriores, JULIA escolhe lasanha como prato principal. Porém:

    • a refeição original inclui um prato de massas. Para simplificar, JULIA elimina o prato de massas;

    • lasanha inclui carne. Devido à restrição do problema, uma lasanha vegetariana é proposta;


Avaliação e reparo dos casos

  • Revisão

    1) Avaliar a solução (automaticamente ou não)

    2) Consertar o caso

  • Retenção: Se algo ensina alguma lição para o futuro, chame-o de caso

    1) Extração da informação a reter

    2) indexação

    3) inserção/integração do caso na base

    • exemplo: ajuste dos pesos de determinados atributos de um caso;


Aprendizado em RBC

  • No aprendizado de máquina tradicional, existe a fase do aprendizado e a fase de utilização: indução e dedução;

  • Em RBC, o aprendizado é parte do processo de resolução de problemas;

  • O princípio: é mais fácil aprender retendo um exemplo concreto de solução do que tentar generalizar tais experiências;


Quando usar CBR?

  • Existe uma grande volume de dados históricos

  • Os especialistas falam sobre seus domínio dando exemplos

  • A experiência vale tanto quanto o conhecimento dos livros texto

  • Os problemas não são completamente formalizáveis

    • fraca compreensão do problema, dificuldade de verbalização


Quando usar CBR?

  • Existem conhecimento para adaptação de casos

  • Existem muitas exceções às regras

  • É preciso aprender “on-line”


Problemas

  • Aquisição & descrição dos casos

    • nem sempre é trivial além de demandar conhecimento do domínio!

  • O controle da medida de similaridade é fraco pois o matching é parcial

    • o acúmulo de semelhanças “irrelevantes” faz com que certos casos sejam escolhidos em detrimento dos outros

    • como ter certeza que as propriedades A e B serão determinantes na recuperação de um caso que contém 20 atributos?

  • A explicação

    • pode ser prejudicada quando a recuperação é baseada em uma medida de similaridade numérica


Combinando RBC com RN

  • RBC e RN têm sido combinados em algumas pesquisas recentes

  • Integração pode ocorrer por:

    • Divisão de tarefas entre a RN e o RBC

    • Projeto de uma arquitetura inteligente combinando características de RN e RBC


Combinando RBC com RN

  • Casamento e indexação de casos

    • Maioria das combinações

    • Procura padrões de similaridade entre os casos

  • Auxiliar processo de Raciocínio do sistema RBC

  • Definir arquitetura neural mais adequada para uma dada aplicação


Aplicações de RBC - [Prudêncio 2002]

RBC foi utilizado juntamente com Algoritmos Genéticos (AG) e Redes Neurais Artificiais (RNA) para a previsão de séries temporais por [Prudêncio 2002];

O sistema de RBC mantém uma base de casos em que cada caso armazena a descrição de um problema resolvido com redes neurais e a solução aplicada.

Diante de um novo problema, uma consulta é feita à base de casos, recuperando as soluções usadas nos problemas mais similares.


Aplicações de RBC - [Prudêncio 2002]

Essas soluções são inseridas na população inicial dos AGs, que são responsáveis por adaptá-las;

Após a execução dos AGs, a solução final poderá ser inserida na base de casos, para auxiliar a solução de problemas futuros.

As redes geradas pelo modelo apresentaram maior poder de generalização, além de um número menor de conexões de rede.


Aplicações de RBC - [Prudêncio 2002]


Aplicações de RBC - [Prudêncio 2002]


Aplicações de RBC - [Prudêncio 2002]

  • Módulo PROC

    • Transforma uma série temporal não estacionária em uma série estacionária, ou seja, que não apresentam tendência e sazonalidade;

  • Módulo GBC

    • Mede a similaridade do problema atual com todos os problemas armazenados na base e retorna os mais similares.

      • O número de casos retornados da base é igual ao número de cromossomos da população dos AGs;

      • Usa a distância euclidiana.

  • Módulos AG e TR

    • Operam cooperativamente na busca pela melhor solução.


Um Novo Modelo de Automatização: RBC e AG

  • Projeto das redes é tratado de forma híbrida:

    • uso de conhecimento e busca.

  • Conhecimento é usado para iniciar o processo de busca.

  • Base de casos é usada para inicializar a primeira população dos AGs.

  • No modelo proposto, RBC manipula o conhecimento e AGs realizam a busca.


  • Aplicações: estado da arte

    • Todas as classes de problemas dos SE´s

      • diagnóstico, planejamento, scheduling, interpretação, design, seleção, ensino,....

    • Existem ferramentas (shells)

      • ReMind, CAsePOint,CASUEL, ART*, ReCall, CBR-Express,...

    • Exemplos

      • Machine Tool Fault Diagnosis

      • Computer Network Diagnosis

      • Credit Analysis

      • Geological Deposit Prediction

      • Battle Planning


    Mais aplicações...

    • Bank Telex Classification

    • Natural Language Understanding

    • Network Management

    • Legal Reasoning

    • Claims Settlement

    • Medical Diagnosis

    • Weather Prediction

    • Fraud Detection

    • Industrial Planning and Scheduling

    • Residential Domain

    • Aircraft Maintenance Domain

    • Helpdesk Systems for PC Network Diagnostics


    Algumas aplicações na WEB

    • FIND-ME AGENTS

      • sugere filmes e carros em locadoras

      • raciocino através de exemplos

    • BUTTLER AGENTS

      • sugere hotéis, restaurantes, oficinas, ...

    • CORRESPONDENT AGENTS

      • usa técnicas de recuperação de casos para encontrar textos: FAQ-finder


    Find Me: http://infolab.cs.uchicago.edu/entree


    Referências

    • Aamodt, A; Plaza, E. (1994). “Case-Based Reasoning: Foundational Issues, Methodological Variantions, and System Approaches”. Em AI Communications, Vol. 7, nr. 1;

    • Kolodner, J. (1993) Case Based Reasoning. Morgan Kaufmann.

    • Web

      • AI-CBR Home Page: http://www.ai-cbr.org/theindex.html

      • CBR archive: http://www.ai-cbr.org/cases.html

      • CBR in the Web: http://wwwagr.informatik.uni-kl.de/~lsa/CBR/CBR-Homepage.html

      • CBR Bibliography: http://www.surveying.salford.ac.uk/AI-CBR/biblio/search.html


    Referências

    Prudêncio, R. Projeto Híbrido de Redes Neurais, Dissertação de Mestrado, Centro de Informática, Universidade Federal de Pernambuco, 2002.

    Braga , A. P. Braga, Caravalho, A. C. P. L. F. andLurdermir , T. B. Redes Neurais Artificiais: teoria e aplicações. LTC, Rio de Janeiro, 2007.


  • Login