El razonamiento basado en casos (CBR) es un subcampo de la inteligencia artificial que resuelve problemas nuevos consultando una biblioteca de situaciones previamente encontradas, o 'casos'. En lugar de derivar respuestas a partir de reglas abstractas o patrones estadísticos, un sistema CBR recupera el caso pasado más similar, adapta su solución para ajustarse al problema actual y luego almacena la nueva experiencia para uso futuro. Esta metodología refleja la resolución de problemas humana, donde las personas a menudo se basan en recuerdos de eventos pasados específicos en lugar de primeros principios.
El enfoque ganó prominencia a finales de la década de 1980 y principios de la de 1990, principalmente gracias al trabajo de investigadores como Roger Schank y Janet Kolodner en Xerox PARC y otras instituciones. La teoría de memoria dinámica de Schank, que postulaba que la memoria humana se organiza en torno a experiencias episódicas, proporcionó una base cognitiva para el CBR. El libro de Kolodner de 1993, 'Case-Based Reasoning', se convirtió en una referencia estándar, y la Conferencia Internacional Anual sobre Razonamiento Basado en Casos (ICCBR) del campo se celebra desde 1995.
El Ciclo CBR
Un sistema CBR estándar opera mediante un ciclo de cuatro pasos, a menudo abreviado como el proceso '4R': Recuperar, Reutilizar, Revisar y Retener.
- Recuperar: Dada una descripción de un problema nuevo, el sistema busca en su biblioteca de casos aquellos con características similares. La similitud se calcula típicamente mediante coincidencia de características ponderadas, donde cada atributo de un caso (por ejemplo, los síntomas de un paciente o los códigos de error de una máquina) se compara con el atributo correspondiente del problema nuevo. Métricas de distancia como la distancia euclidiana o la similitud del coseno son comunes, y los esquemas de indexación ayudan a reducir la búsqueda.
- Reutilizar: La solución del caso recuperado se transfiere al problema nuevo. En sistemas simples, esto puede ser una copia directa. En otros más complejos, la solución se adapta según las diferencias entre los contextos antiguo y nuevo. Por ejemplo, si un caso pasado resolvió una falla mecánica con una reparación específica, el sistema podría ajustar el procedimiento de reparación para un modelo de máquina ligeramente diferente.
- Revisar: La solución propuesta se evalúa, ya sea mediante simulación o aplicación en el mundo real. Si falla, el sistema diagnostica la causa del fallo y modifica la solución en consecuencia. Este paso a menudo implica retroalimentación humana o un algoritmo de reparación específico del dominio.
- Retener: El problema nuevo y su solución confirmada se añaden a la biblioteca de casos como un caso nuevo. Este paso de aprendizaje asegura que el sistema mejore con la experiencia, volviéndose más preciso y eficiente con el tiempo.
Aplicaciones y Dominios
El CBR se ha implementado en una amplia gama de dominios prácticos. Una de las aplicaciones más tempranas y exitosas fue en sistemas de mesa de ayuda y soporte al cliente, como el sistema SMART de Compaq (década de 1990), que usaba CBR para diagnosticar problemas de hardware informático. En medicina, sistemas CBR como CASEY (1989) y herramientas posteriores han apoyado el diagnóstico y la planificación de tratamientos al comparar registros de pacientes con casos históricos. El dominio legal también ha utilizado CBR para recuperar precedentes, con sistemas como HYPO (1987) en Carnegie Mellon University que ayudan a los abogados a encontrar decisiones judiciales relevantes.
Otras aplicaciones notables incluyen:
- Diseño de ingeniería: Reutilizar soluciones de diseño pasadas para componentes o sistemas nuevos.
- Robótica: Permitir que los robots adapten secuencias de acciones pasadas a entornos nuevos.
- Comercio electrónico: Recomendar productos basándose en compras pasadas similares.
- Detección de fraude: Identificar transacciones sospechosas comparándolas con casos de fraude conocidos.
Relación con Otros Enfoques de IA
El CBR a menudo se contrasta con los sistemas expertos basados en reglas, que codifican el conocimiento como reglas explícitas de si-entonces. Mientras que los sistemas basados en reglas requieren que los ingenieros del conocimiento extraigan y formalicen la experiencia, los sistemas CBR pueden construirse más directamente a partir de registros históricos, reduciendo el cuello de botella de adquisición de conocimiento. Sin embargo, los sistemas CBR enfrentan desafíos al definir medidas de similitud efectivas y al mantener bibliotecas de casos grandes, que pueden volverse difíciles de manejar y lentas.
Con el auge del aprendizaje automático y el aprendizaje profundo, el CBR a veces se ha visto como un paradigma más antiguo. Sin embargo, sigue siendo relevante en sistemas híbridos. Por ejemplo, los grandes modelos de lenguaje (LLM) modernos se han combinado con CBR para fundamentar respuestas en ejemplos pasados específicos, mejorando la precisión factual y la explicabilidad. La investigación en redes neuronales también ha explorado el 'razonamiento basado en casos neuronal', donde las representaciones de casos se aprenden como incrustaciones, permitiendo que la similitud se calcule en un espacio de características aprendido. Esta integración se ha explorado en instituciones como MIT CSAIL y Stanford AI Lab.
Fortalezas y Limitaciones
El CBR ofrece varias ventajas. Es transparente, ya que las soluciones pueden rastrearse hasta casos previos específicos, lo que facilita explicar las decisiones a los usuarios. Aprende de manera incremental, sin requerir reentrenar un modelo global. Es adecuado para dominios donde el conocimiento es incompleto o donde las excepciones son comunes, ya que puede manejar 'casos límite' recuperando la coincidencia más cercana.
Sus limitaciones incluyen una dependencia de la calidad y cobertura de la biblioteca de casos; si un problema no se parece a ningún caso almacenado, el sistema puede producir resultados deficientes. La evaluación de similitud puede ser frágil, y la adaptación sigue siendo un problema difícil, que a menudo requiere reglas hechas a mano. El rendimiento puede degradarse a medida que la biblioteca crece, lo que requiere políticas de retención de casos y estrategias de indexación. A mediados de la década de 2020, el CBR es menos prominente que el aprendizaje profundo en la investigación principal de IA, pero continúa utilizándose en entornos industriales y académicos especializados, particularmente donde la explicabilidad y la eficiencia de datos son críticas.