केस-आधारित तर्क (CBR) कृत्रिम बुद्धिमत्ता की एक उपशाखा है जो पहले से सामना किए गए परिस्थितियों, या 'केस' के पुस्तकालय का संदर्भ देकर नई समस्याओं का समाधान करती है। अमूर्त नियमों या सांख्यिकीय पैटर्न से उत्तर प्राप्त करने के बजाय, एक CBR प्रणाली सबसे समान पिछले केस को पुनर्प्राप्त करती है, वर्तमान समस्या के अनुरूप उसके समाधान को अनुकूलित करती है, और फिर भविष्य के उपयोग के लिए नए अनुभव को संग्रहीत करती है। यह पद्धति मानव समस्या-समाधान को प्रतिबिंबित करती है, जहाँ लोग अक्सर पहले सिद्धांतों के बजाय विशिष्ट पिछली घटनाओं की स्मृतियों पर निर्भर रहते हैं।
यह दृष्टिकोण 1980 के दशक के अंत और 1990 के दशक की शुरुआत में प्रमुखता प्राप्त कर गया, मुख्य रूप से ज़ेरॉक्स PARC और अन्य संस्थानों में रोजर शैंक और जेनेट कोलोडनर जैसे शोधकर्ताओं के कार्य के माध्यम से। शैंक का गतिशील स्मृति सिद्धांत, जो यह मानता था कि मानव स्मृति प्रासंगिक अनुभवों के आसपास संगठित होती है, CBR के लिए एक संज्ञानात्मक आधार प्रदान करता है। कोलोडनर की 1993 की पुस्तक, 'केस-आधारित तर्क', एक मानक संदर्भ बन गई, और इस क्षेत्र का वार्षिक अंतर्राष्ट्रीय सम्मेलन ऑन केस-आधारित तर्क (ICCBR) 1995 से आयोजित किया जा रहा है।
CBR चक्र
एक मानक CBR प्रणाली चार-चरणीय चक्र के माध्यम से संचालित होती है, जिसे अक्सर '4R' प्रक्रिया के रूप में संक्षिप्त किया जाता है: पुनर्प्राप्ति (Retrieve), पुन:उपयोग (Reuse), संशोधन (Revise), और प्रतिधारण (Retain)।
- पुनर्प्राप्ति: एक नई समस्या विवरण दिए जाने पर, प्रणाली समान विशेषताओं वाले केस के लिए अपने केस पुस्तकालय की खोज करती है। समानता की गणना आमतौर पर भारित विशेषता मिलान का उपयोग करके की जाती है, जहाँ एक केस की प्रत्येक विशेषता (जैसे, रोगी के लक्षण या मशीन के त्रुटि कोड) की तुलना नई समस्या की संबंधित विशेषता से की जाती है। यूक्लिडियन दूरी या कोसाइन समानता जैसे दूरी मापक सामान्य हैं, और अनुक्रमण योजनाएँ खोज को सीमित करने में मदद करती हैं।
- पुन:उपयोग: पुनर्प्राप्त केस का समाधान नई समस्या में स्थानांतरित किया जाता है। सरल प्रणालियों में, यह सीधी प्रतिलिपि हो सकती है। अधिक जटिल प्रणालियों में, पुराने और नए संदर्भों के बीच अंतर के आधार पर समाधान को अनुकूलित किया जाता है। उदाहरण के लिए, यदि किसी पिछले केस ने एक विशिष्ट मरम्मत के साथ एक यांत्रिक विफलता को हल किया था, तो प्रणाली थोड़े भिन्न मशीन मॉडल के लिए मरम्मत प्रक्रिया को समायोजित कर सकती है।
- संशोधन: प्रस्तावित समाधान का मूल्यांकन किया जाता है, या तो सिमुलेशन के माध्यम से या वास्तविक-विश्व अनुप्रयोग के माध्यम से। यदि यह विफल हो जाता है, तो प्रणाली विफलता के कारण का निदान करती है और तदनुसार समाधान को संशोधित करती है। इस चरण में अक्सर मानव प्रतिक्रिया या एक डोमेन-विशिष्ट मरम्मत एल्गोरिदम शामिल होता है।
- प्रतिधारण: नई समस्या और उसका पुष्ट समाधान केस पुस्तकालय में एक नए केस के रूप में जोड़े जाते हैं। यह सीखने का चरण सुनिश्चित करता है कि प्रणाली अनुभव के साथ बेहतर होती जाए, समय के साथ अधिक सटीक और कुशल बनती जाए।
अनुप्रयोग और डोमेन
CBR को व्यावहारिक डोमेन की एक विस्तृत श्रृंखला में तैनात किया गया है। सबसे प्रारंभिक और सबसे सफल अनुप्रयोगों में से एक हेल्प-डेस्क और ग्राहक सहायता प्रणालियों में था, जैसे कि कॉम्पैक SMART प्रणाली (1990 के दशक), जो कंप्यूटर हार्डवेयर समस्याओं के निदान के लिए CBR का उपयोग करती थी। चिकित्सा में, CASEY (1989) जैसी CBR प्रणालियों और बाद के उपकरणों ने रोगी रिकॉर्ड को ऐतिहासिक केस से मिलाकर निदान और उपचार योजना का समर्थन किया है। कानूनी डोमेन ने भी मिसालों को पुनर्प्राप्त करने के लिए CBR का उपयोग किया है, जिसमें कार्नेगी मेलन विश्वविद्यालय में HYPO (1987) जैसी प्रणालियाँ वकीलों को प्रासंगिक अदालती फैसले खोजने में मदद करती हैं।
अन्य उल्लेखनीय अनुप्रयोगों में शामिल हैं:
- इंजीनियरिंग डिज़ाइन: नए घटकों या प्रणालियों के लिए पिछले डिज़ाइन समाधानों का पुन:उपयोग करना।
- रोबोटिक्स: रोबोट को नए वातावरण में पिछली क्रिया अनुक्रमों को अनुकूलित करने में सक्षम बनाना।
- ई-कॉमर्स: समान पिछली खरीदारी के आधार पर उत्पादों की सिफारिश करना।
- धोखाधड़ी का पता लगाना: ज्ञात धोखाधड़ी केस से तुलना करके संदिग्ध लेनदेन की पहचान करना।
अन्य AI दृष्टिकोणों से संबंध
CBR की तुलना अक्सर नियम-आधारित विशेषज्ञ प्रणालियों से की जाती है, जो ज्ञान को स्पष्ट if-then नियमों के रूप में एन्कोड करती हैं। जबकि नियम-आधारित प्रणालियों के लिए ज्ञान इंजीनियरों को विशेषज्ञता निकालने और औपचारिक रूप देने की आवश्यकता होती है, CBR प्रणालियों को ऐतिहासिक रिकॉर्ड से अधिक सीधे बनाया जा सकता है, जिससे ज्ञान-अधिग्रहण की बाधा कम होती है। हालाँकि, CBR प्रणालियों को प्रभावी समानता माप को परिभाषित करने और बड़े केस पुस्तकालयों को बनाए रखने में चुनौतियों का सामना करना पड़ता है, जो बोझिल और धीमे हो सकते हैं।
मशीन लर्निंग और डीप लर्निंग के उदय के साथ, CBR को कभी-कभी एक पुराने प्रतिमान के रूप में देखा गया है। फिर भी यह हाइब्रिड प्रणालियों में प्रासंगिक बना हुआ है। उदाहरण के लिए, आधुनिक बड़े भाषा मॉडल (LLM) को विशिष्ट पिछले उदाहरणों में प्रतिक्रियाओं को आधारित करने के लिए CBR के साथ जोड़ा गया है, जिससे तथ्यात्मक सटीकता और व्याख्यात्मकता में सुधार होता है। तंत्रिका नेटवर्क में अनुसंधान ने 'न्यूरल केस-आधारित तर्क' का भी पता लगाया है, जहाँ केस प्रतिनिधित्व को एम्बेडिंग के रूप में सीखा जाता है, जिससे एक सीखे हुए फीचर स्पेस में समानता की गणना की जा सकती है। इस एकीकरण की खोज MIT CSAIL और स्टैनफोर्ड AI लैब जैसे संस्थानों में की गई है।
ताकत और सीमाएँ
CBR कई लाभ प्रदान करता है। यह पारदर्शी है, क्योंकि समाधानों को विशिष्ट पिछले केस तक वापस खोजा जा सकता है, जिससे उपयोगकर्ताओं को निर्णय समझाना आसान हो जाता है। यह वृद्धिशील रूप से सीखता है, जिसमें वैश्विक मॉडल के पुनर्प्रशिक्षण की आवश्यकता नहीं होती है। यह उन डोमेन के लिए उपयुक्त है जहाँ ज्ञान अधूरा है या जहाँ अपवाद आम हैं, क्योंकि यह निकटतम मिलान को पुनर्प्राप्त करके 'किनारे के मामलों' को संभाल सकता है।
इसकी सीमाओं में केस पुस्तकालय की गुणवत्ता और कवरेज पर निर्भरता शामिल है; यदि कोई समस्या किसी संग्रहीत केस से अलग है, तो प्रणाली खराब परिणाम दे सकती है। समानता मूल्यांकन भंगुर हो सकता है, और अनुकूलन एक कठिन समस्या बनी हुई है, जिसके लिए अक्सर हाथ से तैयार किए गए नियमों की आवश्यकता होती है। पुस्तकालय के बढ़ने के साथ प्रदर्शन खराब हो सकता है, जिसके लिए केस-प्रतिधारण नीतियों और अनुक्रमण रणनीतियों की आवश्यकता होती है। 2020 के दशक के मध्य तक, मुख्यधारा AI अनुसंधान में CBR डीप लर्निंग की तुलना में कम प्रमुख है, लेकिन यह विशेष औद्योगिक और शैक्षणिक सेटिंग्स में उपयोग किया जाना जारी रखता है, विशेष रूप से जहाँ व्याख्यात्मकता और डेटा दक्षता महत्वपूर्ण हैं।