Projektgruppe KIMAS Case-based Reasoning

1. Projektgruppe KIMASCase-based Reasoning 5.9.2003 Li Liu

2. Gliederung • Case-based Reasoning • Retrieval 2.1 Fallrepräsentation 2.2 Ähnlichkeitsbestimmung • Revise • Reuse • Retain • Fazit Projektgruppe KIMAS - CBR

3. CBR • Künstliche Intelligenz • reasoning by remembering • Zielfall (target case): zu lösendes Problem/Fall • Basisfall (base case): Problem/Fall mit Lösung im Speicher • CBR-System sucht einen Basisfall mittels des Zielfalls und löst das Zielproblem mit Hilfe der Lösung des Basisfalls. Projektgruppe KIMAS - CBR

4. Basisfall Zielfall Ein einfaches Beispiel von CBR Projektgruppe KIMAS - CBR

5. Zielfall Basisfall CBR-Modell Projektgruppe KIMAS - CBR

6. Auszüge der Geschichte von CBR • 1977 USA: R. Schrank, Uni. Yale, Dynamic Memory Theory • 1983 USA: J. Kolodner, CYRUS, erstes implementiertes System, Frage-Antwort-System • Seit 1998: zunehmendes Interesse in USA • 1988-1991 Deutschland: M. Richter, Universität Kaiserslautern, komplexe technische Diagnose in MOLTKE • Seit 1991: zunehmendes Interesse in Europa Projektgruppe KIMAS - CBR

7. Zyklus des CBRs • Retrieve: • Finde einen ähnlichen Fall bzw. eine Menge ähnlicher Fälle • Reuse: • Lösung übertragen und anpassen • Revise: • Lösung überprüfen/verbessern • Retain: • gemachte Erfahrung speichern Projektgruppe KIMAS - CBR

8. Case 001 Problem Solution more informations Fallrepräsentation Was ist ein Fall? • Ein Stück Wissen in Kontext, das eine Erfahrung repräsentiert • Beschreibt einen speziellen Fall • Unabhängig von anderen Fällen • Keine Regel! Projektgruppe KIMAS - CBR

9. Repräsentationsformalismen • Wichtig in CBR • Attribut-Wert-Paare: Typ: Integer, String, Datum, Hyperlink etc. Beispiel: Preis: 80,99 Euro • Formalisierungsregeln der Fälle möglichst identisch • Eindeutige Lösung für jedes Problem • Adaptierter Fall als neuen Fall mit neuer Lösung einfügen Wert Attribut Projektgruppe KIMAS - CBR

10. Beispiel für Fallrepräsentation • Feste Attributmenge: • Variable Attributmenge: Projektgruppe KIMAS - CBR

11. Ähnlichkeitsbestimmung • Zentraler Begriff in CBR Parameter: Ci Problembeschreibungen für Fall i SIM(C1,C2) Ähnlichkeitsmaß zwischen Fall 1 und Fall 2 p Anzahl der Attribute wj Gewicht (weight) des Attributes j simj Ähnlichkeit (similarity) für Attribut j Projektgruppe KIMAS - CBR

12. Vergleich das neue Problem mit Fall 1 • SIM(new, Case1) = [ 6*0.8 + 1*0.4 + 1*0.6 + 6*0.9 + 6* 1.0 ] / 20 = 0.86 Projektgruppe KIMAS - CBR

13. Vergleich das neue Problem mit Fall 2 • SIM(new, Case1) = [ 6*0.8 + 1*0.8 + 1*0.4 + 6*0.95 + 6*0 ] / 20 = 0.585 Fall 1 ist ähnlicher wegen „Zustand der Scheinwerfer“. Projektgruppe KIMAS - CBR

14. Retrieval • Suche die ähnlichsten Erfahrungen (Fälle) im Speicher. Beispiel: • Auto kaufen: Silber, Navigationssystem, großer Kofferraum, Seitenairbags, 4-Motions, Diesel, < 30,000 Euro. • Suche mit SQL-Anfrage • Kein solches Auto! • Ändern die Kriterien • Der Kunde möchte nur die Automodelle sehen, die den meisten Kriterien genügen. Projektgruppe KIMAS - CBR

15. nearest-neighbour retrieval Projektgruppe KIMAS - CBR

16. Zyklus des CBRs • Retrieve: • Finde einen ähnlichen Fall bzw. eine Menge ähnlicher Fälle • Reuse: • Lösung übertragen und anpassen • Revise: • Lösung überprüfen/verbessern • Retain: • gemachte Erfahrung speichern Projektgruppe KIMAS - CBR

17. Reuse • Wichtige Information: • Ähnlichkeit zwischen dem alten und neuen Modell • übertragbare Teile • Kopieren • Anpassen • Wiederverwendung der alten Lösung (transformational reuse) • Wiederverwendung der alten Methoden (derivational reuse) Projektgruppe KIMAS - CBR

18. Reuse die Lösung vom Fall 1 Projektgruppe KIMAS - CBR

19. Zyklus des CBRs • Retrieve: • Finde einen ähnlichen Fall bzw. eine Menge ähnlicher Fälle • Reuse: • Lösung übertragen und anpassen • Revise: • Lösung überprüfen/verbessern • Retain: • gemachte Erfahrung speichern Projektgruppe KIMAS - CBR

20. Revise • Bewertung des Falles durch: • Feedback nach Durchlauf • Bewertung von Experten • Kriterien: • Korrektheit der Lösung • Qualität der Lösung • anderes • Reparatur des Fehlers • Fehler erkennen • Fehler verbessern Projektgruppe KIMAS - CBR

21. Zyklus des CBRs • Retrieve: • Finde einen ähnlichen Fall bzw. eine Menge ähnlicher Fälle • Reuse: • Lösung übertragen und anpassen • Revise: • Lösung überprüfen/verbessern • Retain: • gemachte Erfahrung speichern Projektgruppe KIMAS - CBR

22. Retain (Lernen) 1 • Lernen von jedem Schritt: • Neue Erfahrung • Verbesserte Ähnlichkeit und wichtige Attribute Bestimmung • Organisation/Indizieren der Datenbanken • Wissen von Adaption der Lösungen • Löschen der überflüssigen/ungültigen Fälle • Wissensbehälter (Richter, 1995): • Vokabular (benutzte Attribute) • Falldatenbank • Ähnlichkeitsbestimmung • Lösungsadaption Projektgruppe KIMAS - CBR

23. Retain 2 • Fall aktualisieren, egal, wie das Problem gelöst wurde. • alten Fall erweitern • neuen Fall konstruieren • ungültigen/überflüssigen Fall löschen Projektgruppe KIMAS - CBR

24. Applikationsbeispiele 1 • Expertensystem für Hühneraufzucht: • Speisekarten für Eierhühner nach dem Wissen von Nahrung und Futter, • Falldatenbank und Speiseadaptionsregeldatenbank • Landwirtschaftliche Expertenentscheidungssystem: • hohe Maisproduktion: Sortenkombinationen, Düngeplanung und Feldmanagementmethode • Expertensystem der Diagnose für Schweinekrankheiten. Projektgruppe KIMAS - CBR

25. Applikationsbeispiele 2 • Entscheidungshilfe bei Gericht: • Ersten Beurteilungsentwurf erstellen • Warnen vor möglichen falschen Anwendungen des Gesetzes • Richtigkeit im Test in Taiwan über 90% • Case-based Reasoning und Rule-based Reasoning Techniken zusammen eingesetzt Projektgruppe KIMAS - CBR

26. Applikationsbeispiele 3 • Militärische Anwendungsforschung in militärischen Szenarien (Krieg auf Papier): • Case-based Reasoning kombiniert mit Group Decision Support System • „Case-based Group Decision Support System“ • Ziel: militärische Simulation und Training gemeinsam anzubieten Projektgruppe KIMAS - CBR

27. Applikationsbeispiele 4 Projektgruppe KIMAS - CBR

28. Applikationsbeispiele 5 • Baudesign • Übersetzungsmaschinen • Kostenschätzungen • Online-Demos: http://www.empolis.de/products/prod_dem.asp • CarSmart • SmartCooking • Beispielprodukt: http://www.empolis.de/technology/tech_cas.asp Projektgruppe KIMAS - CBR

29. Software-Tools • ART*Enterprise • Case-1 • CaseAdvisor • CasePower • Eclipes - The Easy Reasoner • CBR3 • KATE • ReCall • http://www.cbr-web.org Projektgruppe KIMAS - CBR

30. Anwendungsmöglichkeiten in KIMAS • Bot stellt Anfrage an CBR, was zu tun ist. • Wenn unterlegen, Hilfe von anderen Bots holen oder weglaufen und regenerieren? • Wie weglaufen? • … Intelligente Bots Projektgruppe KIMAS - CBR

31. Fazit von CBR • Input: vorhandene Information Output: möglichst passende Lösung • Einfach zu benutzen: • Problembeschreibung mit natürlicher Sprache • auch für Nicht-Experten möglich • Funktioniert auch bei unvollständig vorhandenem Wissen • Akkumulator von Wissen • Wissen in der Falldatenbank einfach zu updaten und warten • Anfängliche Modellierung der Fälle und Ähnlichkeit sind wichtig. Projektgruppe KIMAS - CBR

32. Literatur • Janet Kolodner: Case-based Reasoning, Morgan Kaufmann, 1993 • Watson, Ian: Applying case-based reasoning: Techniques for enterprise Systems, Morgan Kaumann Publishers, California, 1997 • Lenz, Bartsch-Spörl, Burkhard, Wess. Case-Based Reasoning Technology: From Foundations to Applications, Springer-Verlag, 1998 • Bergmann, Ralph: Grundlagen Fallbasierter Systeme, WS99/20, http://wwwagr.informatik.uni-kl.de/~bergmann/CBRVL2k/ • ... Projektgruppe KIMAS - CBR