Fallbasiertes Schließen

Fallbasiertes Schließen (CBR) ist ein Teilgebiet der künstlichen Intelligenz, das neue Probleme löst, indem es auf eine Bibliothek zuvor aufgetretener Situationen, sogenannter „Fälle“, zurückgreift. Anstatt Antworten aus abstrakten Regeln oder statistischen Mustern abzuleiten, ruft ein CBR-System den ähnlichsten vergangenen Fall ab, passt dessen Lösung an das aktuelle Problem an und speichert die neue Erfahrung für die zukünftige Verwendung. Diese Methodik spiegelt die menschliche Problemlösung wider, bei der Menschen sich oft auf Erinnerungen an spezifische vergangene Ereignisse verlassen, anstatt auf grundlegende Prinzipien.

Der Ansatz gewann in den späten 1980er- und frühen 1990er-Jahren an Bedeutung, vor allem durch die Arbeit von Forschern wie Roger Schank und Janet Kolodner am Xerox PARC und anderen Institutionen. Schanks Theorie des dynamischen Gedächtnisses, die besagt, dass das menschliche Gedächtnis um episodische Erfahrungen organisiert ist, lieferte eine kognitive Grundlage für CBR. Kolodners Buch „Case-Based Reasoning“ aus dem Jahr 1993 wurde zu einem Standardreferenzwerk, und die jährliche International Conference on Case-Based Reasoning (ICCBR) des Fachgebiets findet seit 1995 statt.

Der CBR-Zyklus

Ein standardmäßiges CBR-System arbeitet über einen vierschrittigen Zyklus, der oft als „4R-Prozess“ abgekürzt wird: Retrieve (Abrufen), Reuse (Wiederverwenden), Revise (Überarbeiten) und Retain (Behalten).

1. Retrieve: Bei einer neuen Problembeschreibung durchsucht das System seine Fallbibliothek nach Fällen mit ähnlichen Merkmalen. Die Ähnlichkeit wird typischerweise mithilfe gewichteter Merkmalsabgleiche berechnet, wobei jedes Attribut eines Falls (z. B. die Symptome eines Patienten oder die Fehlercodes einer Maschine) mit dem entsprechenden Attribut des neuen Problems verglichen wird. Distanzmetriken wie die euklidische Distanz oder die Kosinusähnlichkeit sind üblich, und Indexierungsschemata helfen, die Suche einzugrenzen.

1. Reuse: Die Lösung des abgerufenen Falls wird auf das neue Problem übertragen. In einfachen Systemen kann dies eine direkte Kopie sein. In komplexeren Systemen wird die Lösung basierend auf Unterschieden zwischen dem alten und dem neuen Kontext angepasst. Wenn beispielsweise ein vergangener Fall einen mechanischen Fehler mit einer bestimmten Reparatur gelöst hat, könnte das System das Reparaturverfahren für ein leicht anderes Maschinenmodell anpassen.

1. Revise: Die vorgeschlagene Lösung wird entweder durch Simulation oder durch Anwendung in der realen Welt bewertet. Wenn sie fehlschlägt, diagnostiziert das System die Ursache des Fehlers und modifiziert die Lösung entsprechend. Dieser Schritt beinhaltet oft menschliches Feedback oder einen domänenspezifischen Reparaturalgorithmus.

1. Retain: Das neue Problem und seine bestätigte Lösung werden als neuer Fall zur Fallbibliothek hinzugefügt. Dieser Lernschritt stellt sicher, dass sich das System mit Erfahrung verbessert und im Laufe der Zeit genauer und effizienter wird.

Anwendungen und Domänen

CBR wurde in einer Vielzahl praktischer Bereiche eingesetzt. Eine der frühesten und erfolgreichsten Anwendungen war in Helpdesk- und Kundensupportsystemen, wie dem Compaq-SMART-System (1990er-Jahre), das CBR zur Diagnose von Computerhardwareproblemen verwendete. In der Medizin haben CBR-Systeme wie CASEY (1989) und spätere Werkzeuge die Diagnose und Behandlungsplanung unterstützt, indem sie Patientenakten mit historischen Fällen abgleichen. Auch im Rechtsbereich wurde CBR eingesetzt, um Präzedenzfälle abzurufen, wobei Systeme wie HYPO (1987) an der Carnegie Mellon University Anwälten halfen, relevante Gerichtsentscheidungen zu finden.

Weitere bemerkenswerte Anwendungen umfassen:

• Ingenieurdesign: Wiederverwendung vergangener Designlösungen für neue Komponenten oder Systeme.
• Robotik: Ermöglichung von Robotern, vergangene Aktionssequenzen an neue Umgebungen anzupassen.
• E-Commerce: Empfehlung von Produkten basierend auf ähnlichen vergangenen Käufen.
• Betrugserkennung: Identifizierung verdächtiger Transaktionen durch Vergleich mit bekannten Betrugsfällen.

Beziehung zu anderen KI-Ansätzen

CBR wird oft mit regelbasierten Expertensystemen kontrastiert, die Wissen als explizite Wenn-dann-Regeln kodieren. Während regelbasierte Systeme Wissensingenieure erfordern, die Fachwissen extrahieren und formalisieren, können CBR-Systeme direkter aus historischen Aufzeichnungen aufgebaut werden, wodurch der Engpass der Wissensakquise reduziert wird. CBR-Systeme stehen jedoch vor Herausforderungen bei der Definition effektiver Ähnlichkeitsmaße und bei der Pflege großer Fallbibliotheken, die unhandlich und langsam werden können.

Mit dem Aufstieg des maschinellen Lernens und des Deep Learning wurde CBR manchmal als älteres Paradigma betrachtet. Dennoch bleibt es in hybriden Systemen relevant. Beispielsweise wurden moderne große Sprachmodelle (LLMs) mit CBR kombiniert, um Antworten auf spezifischen vergangenen Beispielen zu verankern und so die faktische Genauigkeit und Erklärbarkeit zu verbessern. Die Forschung in neuronalen Netzen hat auch „neuronales fallbasiertes Schließen“ untersucht, bei dem Fallrepräsentationen als Einbettungen gelernt werden, sodass Ähnlichkeit in einem gelernten Merkmalsraum berechnet werden kann. Diese Integration wurde an Institutionen wie dem MIT CSAIL und dem Stanford AI Lab erforscht.

Stärken und Grenzen

CBR bietet mehrere Vorteile. Es ist transparent, da Lösungen auf spezifische frühere Fälle zurückgeführt werden können, was es einfacher macht, Entscheidungen gegenüber Nutzern zu erklären. Es lernt inkrementell, ohne dass ein globales Modell neu trainiert werden muss. Es eignet sich gut für Domänen, in denen Wissen unvollständig ist oder Ausnahmen häufig vorkommen, da es „Randfälle“ durch Abrufen der nächstgelegenen Übereinstimmung behandeln kann.

Zu seinen Grenzen gehören die Abhängigkeit von der Qualität und Abdeckung der Fallbibliothek; wenn ein Problem keinem gespeicherten Fall ähnelt, kann das System schlechte Ergebnisse liefern. Die Ähnlichkeitsbewertung kann fragil sein, und die Anpassung bleibt ein schwieriges Problem, das oft handgefertigte Regeln erfordert. Die Leistung kann mit wachsender Bibliothek abnehmen, was Fallaufbewahrungsrichtlinien und Indexierungsstrategien erforderlich macht. Stand Mitte der 2020er-Jahre ist CBR in der Mainstream-KI-Forschung weniger prominent als Deep Learning, wird aber weiterhin in spezialisierten industriellen und akademischen Umgebungen eingesetzt, insbesondere dort, wo Erklärbarkeit und Dateneffizienz entscheidend sind.