360 likes | 456 Views
Raciocínio Baseado em Casos (CBR). Críticas aos sistemas baseados em regras Conceitos fundamentais Funcionamento: ciclo dos RE’s Aplicações Balanço. Plano de aula. Sistemas baseados em regras: críticas. aquisição de conhecimento muito difícil regras nem sempre são intuitivas
E N D
Raciocínio Baseado em Casos (CBR) • Críticas aos sistemas baseados em regras • Conceitos fundamentais • Funcionamento: ciclo dos RE’s • Aplicações • Balanço Plano de aula
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 • manutenção e refinamento são delicados • é lento • dificuldades com problemas “under constraint” • muitas soluções para o mesmo problema
Soluções atuais • Aquisição • sistemas especialistas de 2a geração • abandono da hipótese da transferência de conhecimento • aquisição baseada em modelos • utilização de aprendizagem automática simbólica • Robustez • tratamento de incerteza • Tempo de desenvolvimento • Ferramentas (shells) • Aprendizado (on-line) • EBL, chunking, ... (sem sucesso)
Soluções atuais: Conclusões As soluções propostas ainda são insatisfatórias Porque, então, não mudar paradigma?
Nova explicação/solução Nova situação/problema Compreensão de histórias (Sistema IPP) • IRA guerrilas ambushed a military patrol in west Belfast yesterday killing one british soldier and badly wounding another Army quarters • a suspected IRA gunman killed a 50-year old unarmed security guard in east Belfast early today the police said • A gunman shot and killed a part-time policeman at a soccer match Saturday and escaped through the crowd... situação-explicação ou problema solução
“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” • 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 instalações 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 • Raciocínio analógico intra-domínio • aprendizado incremental on-line • suaviza necessidade de aquisição de conhecimento Experiência Experiência
Raciocínio baseado em casos • Historicamente: • Wittgenstein (conceituação em extensão) • Edel Tulving (memória episódica) • Gentner (analogia), .... • Roger Schank (scripts) • Janet Kolodner (memória dinâmica) • 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.
Funcionamento do CBR: ciclo dos 4 RE´s Recuperar novo caso (alvo) novo caso (alvo) Indexar caso recupe-rado (fonte) problema base Reutilizar caso aprendido caso solução solução sugerida Reter caso testado e corrigido solução final Revisar
Desenvolvimento de um sistema CBR • 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.), • Outros • Tamanho e composição (casos compostos) • Quantidade de casos • distribuir bem no espaço de problema n-dimensional (n atributos)
Representação dos casos • Várias linguagens • de vetores de características • Atributo-valor (frames, redes semânticas, objetos, ...) • lógica de primeira ordem • Depende da natureza do que se quer representar • Velho problema da expressividade x eficiência • ex. • situaçãoDeMediação(c1, disputa) protagonistas (c1, criança11, criança20, criança32) objetoDisputado (c1, chocolate) ... • ex. • objeto: disputa; • atributos: protagonistas, objetoDisputado
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 • Checklist, difference-based, inductive learning, ... • Conselhos • concreto x abstrato • levar em conta a utilização que se quer fazer (propósito) • ex. para um mecânico e para um cliente de locadora, a descrição de um automóvel é bem diferente
preço ano modelo marca opcionais kilometragem motor cor .... Indexação (cont.) • Interpretação de situação • os índices realmente relevantes para um problema/situação em particular • ex. em uma disputa entre crianças a profissão não conta, enquanto na disputa entre adultos, ela conta
Critério para escolha dos casos • A recuperação é baseada na similaridade entre caso alvo e casos fontes • Dois tipos de cálculo de similaridade: explícito ou indireto • Medida explícita (mais usado!) • independente da estratégia de recuperação ou da organização da memória • k vizinhos mais próximos (knn) • Medida indireta • dependente da estratégia de recuperação e/ou da organização da memória • memória dinâmica (hierárquica)
wi - peso da característica i axi e ayi - valores da característica f nos casos C e S simi - função primitiva para a característica i k vizinhos mais próximos (knn) • Observações • similaridade global [0-1], sem ordem de testes • mais fácil introduzir conhecimento do domínio: pesos • os pesos podem ser definidos manualmente ou por métodos automáticos
Exemplo Carro 2 Carro 1 Carro 3 ano = 1996 modelo = Golf marca = VW cor = azul Preço = 1500 ano = 1997 modelo = Gol marca = VW cor = vermelho Preço = 1000 ano = 1995 modelo = Tempra marca = Fiat cor = azul Preço = 1300 • Pesos • ano = 2, modelo = 3, marca = 2, cor = 1, preco =1 • Funções primitivas • ano: (diferença 2) => 1; (2 < dif 4) => 0,5; (dif > 4) => 0 • modelo: igual => 1; diferente => 0 • marca: igual => 1; diferente => 0 • cor: igual => 1; parecida => 0,5; diferente => 0 • preço: (dif 250) => 1; (250 < dif < 1000) => 0,5); (dif > 1000) => 0
Organização da memória • Memória plana • Implementação: lista simples (1 nível de indexação) • Métodos de recuperação • Busca serial (custa caro) • Busca paralela • Medida de similaridade • explícita (knn) • Memória hierárquica • Implementação: • características compartilhadas • redes de discriminação • Métodos de recuperação & Medida de similaridade • implícita (basta percorrer!)
situaçãoDeMediação = disputa Protagonistas: países tipoDeObjetoDisputado: terras Protagonistas: crianças tipoDeObjetoDisputado: comida Tipo: disputa física (Korea) Tipo: disputa política (Panama) objDisputado: laranja relaçãoFamiliar: irmãs idades: adolescentes objDisputado: Candy (Candy) Desejo: objeto inteiro (Laranja1) Desejo: diferentes partes do objeto (Laranja2) Características compartilhadas
Organização da memória • Trade-offs: • eficiência x completude • eficiência na inserção x eficiência na consulta • ordem fixa dos testes pode levar a a recuperação do caso que não é o mais similar • “plausibilidade” x facilidade de introduzir conhecimento • Organizações alternativas de memória • template trees, z-trees, ...
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 • Questão: a similaridade basta? • nas tarefas de design (projeto), não basta! • É preciso: adaptation-based retrieval
Reutilização • 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 • Para as duas últimas as operações são: • ajuste de parâmetros, abstração e especialização, substituição,... • Problema: • depende do domínio,coordenação do conjunto de operadores de transformação
Exemplo de reutilização I • 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;
Exemplo de reutilização: reinstanciação • Determine os papéis dos envolvidos no caso retido; • Faça a correspondência dos papéis no problema proposto; • Reinstancie os atributos e relações do caso retido de acordo com as respectivas correspondências; • Ex.: MEDIATOR • resolução de conflitos: como dividir uma laranja entre duas crianças interessadas? • caso anterior: método utilizado por pescadores; • reinstanciação: identificação dos papéis de cada entidade envolvida (pescador criança, peixe laranja, objetivo divisão)
Outros Métodos • Ajuste de parâmetros • ex.: cálculo de novo valor de um imóvel; • Substituição baseado em casos • encontrar outro caso que sugira uma alternativa; • por que não utilizar logo este caso?
Revisão e retenção • Revisão 1) Avaliar a solução (automáticamente ou não) 2) Consertar o caso • Retenção 1) Extração da informação a reter 2) indexação 3) inserção do caso na base
Aplicações: estado da arte • Todas as classes de problemas dos SE´s • diagnóstico, planejamento, scheduling, interpretação, cozinha, 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 • FindMe agents • sugere filmes e carros em locadoras • raciocino através de exemplos • busca não hierárquica • Buttler agents • sugere hotéis, restaurantes, oficinas, ... • Correspondent agents • usa técnicas de recuperação de casos para encontrar textos: FAQ-finder • Analog Devices • help desk: o sistema responde às dúvidas mais simples, restringindo a necessidade em contatar seus engenheiros
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
Balanço e conclusões • Apesar das limitações, é bem mais fácil e rápido desenvolver e manter um sistema CBR. E ele é mais robusto! • CLAVIER na Lockheed (fornos) - de 60% para 10%, taxa de erro • General dynamics (barcos) - 5 homens-ano x 2 homens-ano. • CANASTA da DEC: 8 vezes mais rápido
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 • Existem conhecimento para adaptação de casos • adequado para tarefas de projeto (design) • Existem muitas exceções às regras • É preciso aprender “on-line”
Referências básicas • 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