Case-Based Reasoning und anderen Inferenzmechanismen · Case-Based Reasoning und anderen...
97
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31
Transcript of Case-Based Reasoning und anderen Inferenzmechanismen · Case-Based Reasoning und anderen...
Case-Based Reasoning und anderenInferenzmechanismen
Daniel Müller
21 April 2006
DM () CBR und Inferenz 21 April 2006 1 / 31
Contents
1 Einleitung2 Inferenzmechanismen
Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen
3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus
DM () CBR und Inferenz 21 April 2006 2 / 31
Contents
1 Einleitung2 Inferenzmechanismen
Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen
3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus
DM () CBR und Inferenz 21 April 2006 2 / 31
Contents
1 Einleitung2 Inferenzmechanismen
Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen
3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus
DM () CBR und Inferenz 21 April 2006 2 / 31
Einleitung
Was bedeutet Inferenz
Inferenz = Schluss oder Beweis
In der Informatik:
ist Inferenz aber meisten eine automatisierteSchlussfolgerung
diese erfolgt durch ein computerunterstütztes System
DM () CBR und Inferenz 21 April 2006 3 / 31
Inferenzmechanismen Statistische Verfahren
Statistische Verfahren
hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen
mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden
es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen
DM () CBR und Inferenz 21 April 2006 4 / 31
Inferenzmechanismen Statistische Verfahren
Statistische Verfahren
hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen
mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden
es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen
DM () CBR und Inferenz 21 April 2006 4 / 31
Inferenzmechanismen Statistische Verfahren
Statistische Verfahren
hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen
mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden
es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen
DM () CBR und Inferenz 21 April 2006 4 / 31
Inferenzmechanismen Statistische Verfahren
Statistische Verfahren
hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen
mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden
es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen
DM () CBR und Inferenz 21 April 2006 4 / 31
Inferenzmechanismen Statistische Verfahren
Statistische Verfahren
Folgende Techniken gibt es:
Korrelation
Regression
Varianzanalyse
Multivariable Analysen
Diskriminanzanalysen
Clusteranalyse
Zeitreihenanalyse
DM () CBR und Inferenz 21 April 2006 5 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Data Mining
Data Mining
Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen
Informationen werden aus Datenbanken extrahiert undinterpretiert
Verwendete Technologien stammen aus dem Bereich:
der künstlichen Intelligenz
dem Knowledge-Management
statistischen Modellen
=> Analyse und Prognose von Verhaltensweisen und Trends
DM () CBR und Inferenz 21 April 2006 6 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Fuzzy-Logik
Fuzzy-Logik
Verallgemeinerung der zweiwertigen Booleschen Logik
lässt Wahrheitswerte zwischen WAHR und FALSCH zu
vorhandenes Wissen flißt in die Verarbeitung mit ein
Verarbeitung unscharfer (engl. fuzzy) Werte
experten Wissen ist oft unscharf
=> komplexe Probleme leichter zu beschreiben
DM () CBR und Inferenz 21 April 2006 7 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Regelbasierte Systeme bestehen aus
einer Datenbank von Fakten
einer Menge von Regeln
einem Kontrollsystem mit Regelinterpreter
Regeln sind in der Form: "Wenn-Dann"
WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus
DM () CBR und Inferenz 21 April 2006 8 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Regelbasierte Systeme bestehen aus
einer Datenbank von Fakten
einer Menge von Regeln
einem Kontrollsystem mit Regelinterpreter
Regeln sind in der Form: "Wenn-Dann"
WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus
DM () CBR und Inferenz 21 April 2006 8 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Regelbasierte Systeme bestehen aus
einer Datenbank von Fakten
einer Menge von Regeln
einem Kontrollsystem mit Regelinterpreter
Regeln sind in der Form: "Wenn-Dann"
WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus
DM () CBR und Inferenz 21 April 2006 8 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Regelbasierte Systeme bestehen aus
einer Datenbank von Fakten
einer Menge von Regeln
einem Kontrollsystem mit Regelinterpreter
Regeln sind in der Form: "Wenn-Dann"
WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus
DM () CBR und Inferenz 21 April 2006 8 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Regelbasierte Systeme bestehen aus
einer Datenbank von Fakten
einer Menge von Regeln
einem Kontrollsystem mit Regelinterpreter
Regeln sind in der Form: "Wenn-Dann"
WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus
DM () CBR und Inferenz 21 April 2006 8 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Aufgabe des Kontrollsystems
die Identifikation geeigneter Regeln
das Anwenden ausgewählter Regeln
sowie die Aktualisierung der Datenbank
DM () CBR und Inferenz 21 April 2006 9 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Aufgabe des Kontrollsystems
die Identifikation geeigneter Regeln
das Anwenden ausgewählter Regeln
sowie die Aktualisierung der Datenbank
DM () CBR und Inferenz 21 April 2006 9 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Aufgabe des Kontrollsystems
die Identifikation geeigneter Regeln
das Anwenden ausgewählter Regeln
sowie die Aktualisierung der Datenbank
DM () CBR und Inferenz 21 April 2006 9 / 31
Inferenzmechanismen Regelbasierte Systeme
Regelbasierte Systeme
Aufgabe des Kontrollsystems
die Identifikation geeigneter Regeln
das Anwenden ausgewählter Regeln
sowie die Aktualisierung der Datenbank
DM () CBR und Inferenz 21 April 2006 9 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren zur Lösung von Optimierungs- undSuchprobleme
orientiert an der Evolutionstheorie der Biologie
Problemlösungen sind sogenannte Individuen
die mit Hilfe einer Fitnessfunktion bewertet werden
DM () CBR und Inferenz 21 April 2006 10 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren zur Lösung von Optimierungs- undSuchprobleme
orientiert an der Evolutionstheorie der Biologie
Problemlösungen sind sogenannte Individuen
die mit Hilfe einer Fitnessfunktion bewertet werden
DM () CBR und Inferenz 21 April 2006 10 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren zur Lösung von Optimierungs- undSuchprobleme
orientiert an der Evolutionstheorie der Biologie
Problemlösungen sind sogenannte Individuen
die mit Hilfe einer Fitnessfunktion bewertet werden
DM () CBR und Inferenz 21 April 2006 10 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren zur Lösung von Optimierungs- undSuchprobleme
orientiert an der Evolutionstheorie der Biologie
Problemlösungen sind sogenannte Individuen
die mit Hilfe einer Fitnessfunktion bewertet werden
DM () CBR und Inferenz 21 April 2006 10 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren zur Lösung von Optimierungs- undSuchprobleme
orientiert an der Evolutionstheorie der Biologie
Problemlösungen sind sogenannte Individuen
die mit Hilfe einer Fitnessfunktion bewertet werden
DM () CBR und Inferenz 21 April 2006 10 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren bei der Verbesserung der Individuen:
Selektion
Rekombination
Eliminierung
Ziel:die Generationen bzgl. ihrer Fitness zu verbessern
=> optimierten Problemlösungen zu erhalten
DM () CBR und Inferenz 21 April 2006 11 / 31
Inferenzmechanismen Evolutionäre Algorithmen
Evolutionäre Algorithmen
Verfahren bei der Verbesserung der Individuen:
Selektion
Rekombination
Eliminierung
Ziel:die Generationen bzgl. ihrer Fitness zu verbessern
=> optimierten Problemlösungen zu erhalten
DM () CBR und Inferenz 21 April 2006 11 / 31
Inferenzmechanismen Multi-Agenten-Systeme
Multi-Agenten-Systeme
das System wird in Komponenten zerlegt
Agentenleben:
Agenten können bestimmte Handlungen ausführen
sie haben ein klares Ziel
sie können mit anderen Agenten kommunizieren
DM () CBR und Inferenz 21 April 2006 12 / 31
Inferenzmechanismen Multi-Agenten-Systeme
Multi-Agenten-Systeme
das System wird in Komponenten zerlegt
Agentenleben:
Agenten können bestimmte Handlungen ausführen
sie haben ein klares Ziel
sie können mit anderen Agenten kommunizieren
DM () CBR und Inferenz 21 April 2006 12 / 31
Inferenzmechanismen Multi-Agenten-Systeme
Multi-Agenten-Systeme
das System wird in Komponenten zerlegt
Agentenleben:
Agenten können bestimmte Handlungen ausführen
sie haben ein klares Ziel
sie können mit anderen Agenten kommunizieren
DM () CBR und Inferenz 21 April 2006 12 / 31
Inferenzmechanismen Multi-Agenten-Systeme
Multi-Agenten-Systeme
Ein Multi-Agenten-System entsteht:
wenn mehrere Agenten in einer gemeinsamen Umgebungoperieren
in Wechselwirkung zueinander stehen
Die wichtigsten Eigenschaften von MAS:
optimierte Problembearbeitung
hohe Fehlertoleranz durch Redundanz
Wiederverwendbarkeit und Veränderungen
DM () CBR und Inferenz 21 April 2006 13 / 31
Inferenzmechanismen Multi-Agenten-Systeme
Multi-Agenten-Systeme
Ein Multi-Agenten-System entsteht:
wenn mehrere Agenten in einer gemeinsamen Umgebungoperieren
in Wechselwirkung zueinander stehen
Die wichtigsten Eigenschaften von MAS:
optimierte Problembearbeitung
hohe Fehlertoleranz durch Redundanz
Wiederverwendbarkeit und Veränderungen
DM () CBR und Inferenz 21 April 2006 13 / 31
Inferenzmechanismen Neuronale Netze
Neuronale Netze
ein stark vereinfachtes Modell des menschlichen Gehirns
die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit
Anwendung:
Spracherkennung
Erkennung von Unterschriften und Gesichtern
Börsenkursentwicklungen
DM () CBR und Inferenz 21 April 2006 14 / 31
Inferenzmechanismen Neuronale Netze
Neuronale Netze
ein stark vereinfachtes Modell des menschlichen Gehirns
die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit
Anwendung:
Spracherkennung
Erkennung von Unterschriften und Gesichtern
Börsenkursentwicklungen
DM () CBR und Inferenz 21 April 2006 14 / 31
Inferenzmechanismen Neuronale Netze
Neuronale Netze
ein stark vereinfachtes Modell des menschlichen Gehirns
die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit
Anwendung:
Spracherkennung
Erkennung von Unterschriften und Gesichtern
Börsenkursentwicklungen
DM () CBR und Inferenz 21 April 2006 14 / 31
Inferenzmechanismen Neuronale Netze
Neuronale Netze
ein stark vereinfachtes Modell des menschlichen Gehirns
die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit
Anwendung:
Spracherkennung
Erkennung von Unterschriften und Gesichtern
Börsenkursentwicklungen
DM () CBR und Inferenz 21 April 2006 14 / 31
Inferenzmechanismen Stereotypen
Stereotypen
Technik zum Erwerb von Benutzermodellen
Benutzer werden in Klassen eingeteilt (UML2)
DM () CBR und Inferenz 21 April 2006 15 / 31
Inferenzmechanismen Stereotypen
Stereotypen
Technik zum Erwerb von Benutzermodellen
Benutzer werden in Klassen eingeteilt (UML2)
DM () CBR und Inferenz 21 April 2006 15 / 31
Inferenzmechanismen Stereotypen
Stereotypen
Technik zum Erwerb von Benutzermodellen
Benutzer werden in Klassen eingeteilt (UML2)
DM () CBR und Inferenz 21 April 2006 15 / 31
Inferenzmechanismen Stereotypen
Stereotypen
Technik zum Erwerb von Benutzermodellen
Benutzer werden in Klassen eingeteilt (UML2)
DM () CBR und Inferenz 21 April 2006 15 / 31
Inferenzmechanismen Stereotypen
Stereotypen
Technik zum Erwerb von Benutzermodellen
Benutzer werden in Klassen eingeteilt (UML2)
Aufstellung und Zuordnung von Stereotypen:
Identifikation von Benutzeruntergruppen
Identifikation von Schlüsselmerkmalen
Repräsentation in (hierarchisch geordneten) Stereotypen
DM () CBR und Inferenz 21 April 2006 15 / 31
CBR
Kurzbeschreibung CBR
CBR = "Cased-Based Reasoning"deutsch = fallbasiertes Schliessen
Zentrale Aspekte:
Fallbasis (case memory)
Loesung eines gegebenen Problems, die Loesung einesaehnlichen und frueher bereits geloesten Problems
man ahmt eine menschliche Verhaltensweise nach
DM () CBR und Inferenz 21 April 2006 16 / 31
CBR Was ist fallbasiertes Schliessen?
Fallbasiertes Schliessen ist
ein Ansatz zur Modellierung des menschlichen Denkens
ein Ansatz zum Bau von intelligenten Systemen
Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert
Zum Lösen einer neuen Aufgabe werden:
+ ähnliche Erfahrungen aus dem Speicher abgerufen
+ die Erfahrung im Kontext der neuen Situationwiederverwendet
+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert
DM () CBR und Inferenz 21 April 2006 17 / 31
CBR Was ist fallbasiertes Schliessen?
Fallbasiertes Schliessen ist
ein Ansatz zur Modellierung des menschlichen Denkens
ein Ansatz zum Bau von intelligenten Systemen
Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert
Zum Lösen einer neuen Aufgabe werden:
+ ähnliche Erfahrungen aus dem Speicher abgerufen
+ die Erfahrung im Kontext der neuen Situationwiederverwendet
+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert
DM () CBR und Inferenz 21 April 2006 17 / 31
CBR Was ist fallbasiertes Schliessen?
Fallbasiertes Schliessen ist
ein Ansatz zur Modellierung des menschlichen Denkens
ein Ansatz zum Bau von intelligenten Systemen
Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert
Zum Lösen einer neuen Aufgabe werden:
+ ähnliche Erfahrungen aus dem Speicher abgerufen
+ die Erfahrung im Kontext der neuen Situationwiederverwendet
+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert
DM () CBR und Inferenz 21 April 2006 17 / 31
CBR Was ist fallbasiertes Schliessen?
Fallbasiertes Schliessen ist
ein Ansatz zur Modellierung des menschlichen Denkens
ein Ansatz zum Bau von intelligenten Systemen
Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert
Zum Lösen einer neuen Aufgabe werden:
+ ähnliche Erfahrungen aus dem Speicher abgerufen
+ die Erfahrung im Kontext der neuen Situationwiederverwendet
+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert
DM () CBR und Inferenz 21 April 2006 17 / 31
CBR Was ist fallbasiertes Schliessen?
Was ist ein Fall?
Ein Fall ist die Beschreibung einer bereits real aufgetretenenProblemsituation zusammen mit den Erfahrungen, die währendder Bearbeitung des Problems gewonnen werden konnten
DM () CBR und Inferenz 21 April 2006 18 / 31
CBR Was ist fallbasiertes Schliessen?
Woraus besteht ein Fall?
Problem
Lösung
eventuell auch aus:
Kontext
Lösungswege
DM () CBR und Inferenz 21 April 2006 19 / 31
CBR Motivationen für fallbasiertes Schliessen
Motivationen für fallbasiertes Schliessen
Vermeidung eines hohen Wissensakquisitionsaufwandes
Einfache Wartung des Wissens des Systems
Höhere Qualität der entstehenden Lösungen
Höhere Effizienz beim Problemlösen
DM () CBR und Inferenz 21 April 2006 20 / 31
CBR Motivationen für fallbasiertes Schliessen
Vermeidung hohenWissensakquisitionsaufwandes
DM () CBR und Inferenz 21 April 2006 21 / 31
CBR CBR-Zyklus
CBR-Zyklus
DM () CBR und Inferenz 21 April 2006 22 / 31
CBR CBR-Zyklus
Retrieve
in der Fallbasis ein möglichst ähnliches Problem zuermitteln
Herausforderung: Ähnlichkeit der Problembeschreibungenzu bestimmen
DM () CBR und Inferenz 21 April 2006 23 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Retrieve
Bestimmung der Ähnlichkeit durch:
Maße
Erklärungsbasierte Verfahren
Abstraktionsebenen
Organisation der Fallbasis
Lineare Liste
Datenbanken
Bäume etc
DM () CBR und Inferenz 21 April 2006 24 / 31
CBR CBR-Zyklus
Reuse
Lösung des ähnlichsten Falls wird als ein ersterLösungsvorschlag übernommen
damit Ausgangspunkt für die Lösung des neuen Problems
DM () CBR und Inferenz 21 April 2006 25 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Reuse
Arten der Lösungsübertragung
Kopieren der Lösung
Lösungsanpassung durch den Benutzer
Transformational Analogy
Derivational Analogy
Verwendete Methoden:Benutzerinteraktion
Regelbasiertes Schließen
Modellbasiertes Schließen
DM () CBR und Inferenz 21 April 2006 26 / 31
CBR CBR-Zyklus
Revise
nicht immer kann man ein aktuelles Problem genau solösen wie ein früheres
hier werden alte Lösungen überprüft und passt sie an dasneue Problem an
DM () CBR und Inferenz 21 April 2006 27 / 31
CBR CBR-Zyklus
Revise
Art der Überprüfung:
Überprüfung der Lösung durch Simulation
Überprüfung der Lösung in einer realen Umgebung
RevisionskritrienKorrektheit der Lösung
Qualität der Lösung
DM () CBR und Inferenz 21 April 2006 28 / 31
CBR CBR-Zyklus
Revise
Art der Überprüfung:
Überprüfung der Lösung durch Simulation
Überprüfung der Lösung in einer realen Umgebung
RevisionskritrienKorrektheit der Lösung
Qualität der Lösung
DM () CBR und Inferenz 21 April 2006 28 / 31
CBR CBR-Zyklus
Revise
Art der Überprüfung:
Überprüfung der Lösung durch Simulation
Überprüfung der Lösung in einer realen Umgebung
RevisionskritrienKorrektheit der Lösung
Qualität der Lösung
DM () CBR und Inferenz 21 April 2006 28 / 31
CBR CBR-Zyklus
Revise
Art der Überprüfung:
Überprüfung der Lösung durch Simulation
Überprüfung der Lösung in einer realen Umgebung
RevisionskritrienKorrektheit der Lösung
Qualität der Lösung
DM () CBR und Inferenz 21 April 2006 28 / 31
CBR CBR-Zyklus
Revise
Art der Überprüfung:
Überprüfung der Lösung durch Simulation
Überprüfung der Lösung in einer realen Umgebung
RevisionskritrienKorrektheit der Lösung
Qualität der Lösung
DM () CBR und Inferenz 21 April 2006 28 / 31
CBR CBR-Zyklus
Retain
der überarbeitete Fall wird in der Fallbasis abgespeichert
er steht damit für zukünftige Anfragen zur Verfügung
dadurch lernt das System mit jedem weiteren gelöstenProblem hinzu
DM () CBR und Inferenz 21 April 2006 29 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Retain
Was kann das System bei einen durchlauf lernen?
Neue Erfahrung
Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen
Organisation der Fallbasis (Effizienz)
Lösungsanpassung
Verwendete Methodenspeichern neuer Fälle
löschen von Fällen
Induktion etc
DM () CBR und Inferenz 21 April 2006 30 / 31
CBR CBR-Zyklus
Aufgabenklassen für CBRs
DM () CBR und Inferenz 21 April 2006 31 / 31
