Le raisonnement à partir de cas (CBR) est un sous-domaine de l'intelligence artificielle qui résout de nouveaux problèmes en référençant une bibliothèque de situations précédemment rencontrées, ou « cas ». Plutôt que de dériver des réponses à partir de règles abstraites ou de motifs statistiques, un système CBR récupère le cas passé le plus similaire, adapte sa solution au problème actuel, puis stocke la nouvelle expérience pour une utilisation future. Cette méthodologie reflète la résolution de problèmes humaine, où les gens s'appuient souvent sur des souvenirs d'événements passés spécifiques plutôt que sur des principes fondamentaux.
Cette approche a gagné en importance à la fin des années 1980 et au début des années 1990, principalement grâce aux travaux de chercheurs tels que Roger Schank et Janet Kolodner au Xerox PARC et dans d'autres institutions. La théorie de la mémoire dynamique de Schank, qui postulait que la mémoire humaine est organisée autour d'expériences épisodiques, a fourni une base cognitive pour le CBR. Le livre de Kolodner de 1993, « Case-Based Reasoning », est devenu une référence standard, et la conférence internationale annuelle sur le raisonnement à partir de cas (ICCBR) se tient depuis 1995.
Le cycle CBR
Un système CBR standard fonctionne grâce à un cycle en quatre étapes, souvent abrégé en processus « 4R » : Retrieve (Récupérer), Reuse (Réutiliser), Revise (Réviser) et Retain (Conserver).
- Récupérer : Face à une nouvelle description de problème, le système cherche dans sa bibliothèque de cas des cas présentant des caractéristiques similaires. La similarité est généralement calculée à l'aide de une correspondance pondérée des attributs, où chaque attribut d'un cas (par exemple, les symptômes d'un patient ou les codes d'erreur d'une machine) est comparé à l'attribut correspondant du nouveau problème. Les métriques de distance, comme la distance euclidienne ou la similarité cosinus, sont courantes, et des schémas d'indexation aident à restreindre la recherche.
- Réutiliser : La solution du cas récupéré est transférée au nouveau problème. Dans les systèmes simples, cela peut être une copie directe. Dans les systèmes plus complexes, la solution est adaptée en fonction des différences entre les anciens et nouveaux contextes.ead. Par exemple, si un cas passé a résolu une panne mécanique avec une réparation spécifique, le système pourrait ajuster la procédure de réparation pour un modèle de machine légèrement différent.
- Réviser : La solution proposée est évaluéeurée, soit par simulation, soit par application dans le monde réel. Si elle échoue, le système diagnostique la causede l'échec et modifie la solution en conséquence. Cette étape implique souvent un retour humain ou un algorithme de réparation spécifique au domaine.
- Conserver : Le nouveau problème et sa solution confirmée sont ajoutés à la bibliothèque de cas comme nouveau cas. Cette étape d'apprentissage garantit que le système s'améliore avec l'expérience, devenant plus précis et plus efficace au ut de time.
Applications et domaines
le CBR a été déployé dans une large gamme de domaines pratiques. Les applicationsles plus précoces et les plus réussies ont été dans les serveurs d'assistance et les systèmes de support client, comme le système Compaq SMART (années 1990), qui utilisait le CBR pour diagnostiquer les problèmes matériels informatiques. En médecine, les systèmes CBR comme CASEY (1989) et des outils plus récents ont soutenu le diagnostic et la planification du traitement en faisant correspondre les dossiers des patients à des cas historiques. Le domaine juridique a également utilisé le CBR pour recherher des précédents, avec des systèmes comme HYPO (1987) à la Université Carnegie Mellon pour aider les avocats à trouver des décisions de justice pertinentes.
Autres applications notables incluent :
- Conception technique : Réutilisation de solutions conceptuelles passées pour nouveaux composants ou systèmes.
- Robotique : Permettre aux robots d'adapter des séquencies d'actions passées à nouveaux environnements.
- Commerce électronique : Recommander des produits en fonction d'achats passés similaires.
<=br>## Relations avec d'autres approches IA
Le CBR est souvent opposé aux systèmes experts à base de règles, qui encodent les connaissances comme des règles uniformément explicites de type « si-alors ». Les systèmes à base de règles nécessitent que des ingénieurs de connaissance extraient et formalisent l'expertise, tandis que les systèmes CBR peuvent être construits plus directementement à partir des dossiers historiques, réduisant ainsi le problème de l'acquisition de connaissances. Cependant, les systèmes CBR sont confront hopping à des défis pour définir des mesures de similarité efficaces et pour maintenir les larges bibliothèques de cas, qui peuvent devenir encombrantes et lentes.
Avec l'essor du apprentissage automatique et du apprentissage profond, le CBR a parfois été considéré comme un paradigme plus ancien. Il reste néanmoins pertinent dans les systèmes hybrides. Par exemple, les grands modèles de langage (LLM) ont été combinés au CBR pour ancrer les réponses dans des exemples spécifiques passés, améliorent ainsi la précision factuelle et l'explicabilité. La recherche dans les réseaux de neurones a également exploré le « raisonnement à partir de cas neuroné », oùles représentations des cas sont apprises comme embeddings, permettant de calculer la similarité dans un espace de caractéristiques appris. Cette intégration a été explorée dans des institutions telles que le MIT CSAIL et le Stanford AI Lab.
Forces et limites
Le CBR offre plusieurs avantages. Il est transparent, car les solutions peuvent être retracées jusqu'à des cas spécifiques ultérieurs, facilitant ainsi l'explication des décisions aux utilisateurs.précédents. Il apprend de manière incrémentale, sans besoin de ré-entraîner un modèle global. Il convient bien aux domaines où les connaissances sont incomplètes ou festoient d'exceptions, car il peut traiter des « cas limites » en récupér ou similaire.
Ses limitesitent, notamment, à une dépendance à la qualité et à la couverture de la bibliothèque de cas ; si un problème n'a aucun rapport avec un cas stocké, le système peut fournir de mauvais résultats. L'évaluation de la similarité peut être fragile, et l'adaptation reste un défi difficile, nécessant souvent des règles créées à la main délibérées. La performance peut se dégrader à mesure que la bibliothèque grandit, nécériers politiques de rétention des cas et des stratégies d'indexation. À partir du milieu des années 2020, le CBR est moins prominent que l'apprentissage profond dans la recherche en IA dominante, mais continue d'être utilisé dans des contextes industriels et académiquesspécialisés, notammentlà où l'explicabilité et l'efficacité des données sont cruciales.
l'exercice s'étend