ケースベース推論（CBR）は、人工知能の一分野であり、以前に遭遇した状況、すなわち「ケース」のライブラリを参照することで新しい問題を解決する。抽象的なルールや統計的パターンから答えを導き出す代わりに、CBRシステムは最も類似した過去のケースを検索し、その解決策を現在の問題に適合させ、その後、新しい経験を将来の使用のために保存する。この方法論は、人間が第一原理ではなく特定の過去の出来事の記憶に頼ることが多い、人間の問題解決を反映している。
このアプローチは1980年代後半から1990年代初頭にかけて注目を集め、主にXerox PARCや他の機関におけるRoger SchankやJanet Kolodnerなどの研究者の業績によるものである。人間の記憶がエピソード経験を中心に組織化されているとするSchankの動的記憶理論は、CBRに認知的な基盤を提供した。Kolodnerの1993年の著書『Case-Based Reasoning』は標準的な参考文献となり、この分野の年次国際会議であるInternational Conference on Case-Based Reasoning（ICCBR）は1995年から開催されている。
CBRサイクル
標準的なCBRシステムは、しばしば「4R」プロセスと略される4段階のサイクル、すなわち検索（Retrieve）、再利用（Reuse）、修正（Revise）、保持（Retain）を通じて動作する。
- 検索（Retrieve）: 新しい問題の記述が与えられると、システムはケースライブラリ内で類似した特徴を持つケースを検索する。類似性は通常、重み付けされた特徴マッチングを用いて計算され、ケースの各属性（例えば、患者の症状や機械のエラーコード）が新しい問題の対応する属性と比較される。ユークリッド距離やコサイン類似度などの距離指標が一般的であり、インデックス方式が検索範囲を絞り込むのに役立つ。
- 再利用（Reuse）: 検索されたケースの解決策が新しい問題に転用される。単純なシステムでは、これは直接的なコピーである場合がある。より複雑なシステムでは、古い文脈と新しい文脈の違いに基づいて解決策が適応される。例えば、過去のケースで特定の修理によって機械の故障が解決された場合、システムはわずかに異なる機械モデルに合わせて修理手順を調整するかもしれない。
- 修正（Revise）: 提案された解決策は、シミュレーションまたは実世界での適用を通じて評価される。失敗した場合、システムは失敗の原因を診断し、それに応じて解決策を修正する。このステップには、しばしば人間のフィードバックやドメイン固有の修復アルゴリズムが関与する。
- 保持（Retain）: 新しい問題とその確認された解決策は、新しいケースとしてケースライブラリに追加される。この学習ステップにより、システムは経験とともに改善され、時間の経過とともにより正確かつ効率的になる。
応用と領域
CBRは幅広い実用的な領域で展開されてきた。最も初期かつ最も成功した応用の1つは、ヘルプデスクやカスタマーサポートシステムであり、例えば1990年代のCompaq SMARTシステムは、コンピュータのハードウェア問題を診断するためにCBRを使用した。医療分野では、CASEY（1989年）などのCBRシステムやその後のツールが、患者記録を過去の症例と照合することで診断や治療計画を支援してきた。法律分野でも、カーネギーメロン大学のHYPO（1987年）などのシステムが、弁護士が関連する裁判例を見つけるのを支援し、判例の検索にCBRが使用されてきた。
その他の注目すべき応用には以下が含まれる：
- 工学設計: 新しい部品やシステムに対する過去の設計ソリューションの再利用。
- ロボティクス: ロボットが過去の行動系列を新しい環境に適応させることを可能にする。
- 電子商取引: 類似した過去の購入に基づいて製品を推奨する。
- 不正検知: 既知の不正ケースと比較して不審な取引を特定する。
他のAIアプローチとの関係
CBRは、知識を明示的なif-thenルールとして符号化するルールベースのエキスパートシステムとしばしば対比される。ルールベースのシステムでは、知識エンジニアが専門知識を抽出して形式化する必要があるが、CBRシステムは履歴記録からより直接的に構築でき、知識獲得のボトルネックを軽減する。しかし、CBRシステムは、効果的な類似性指標の定義と、扱いにくく遅くなる可能性のある大規模なケースライブラリの維持において課題に直面する。
機械学習と深層学習の台頭に伴い、CBRは古いパラダイムと見なされることもある。しかし、ハイブリッドシステムにおいては依然として関連性がある。例えば、現代の大規模言語モデル（LLM）はCBRと組み合わせて、特定の過去の例に基づいて応答を基礎付け、事実の正確性と説明可能性を向上させている。ニューラルネットワークの研究では、ケース表現が埋め込みとして学習され、学習された特徴空間で類似性を計算できる「ニューラルケースベース推論」も探求されている。この統合は、MIT CSAILやスタンフォードAIラボなどの機関で探求されてきた。
強みと限界
CBRにはいくつかの利点がある。解決策を特定の過去のケースに遡ることができるため透明性があり、ユーザーへの決定の説明が容易になる。グローバルモデルの再トレーニングを必要とせず、段階的に学習する。知識が不完全であるか、例外が一般的である領域に適しており、最も近い一致を検索することで「エッジケース」を処理できる。
その限界には、ケースライブラリの品質と網羅性への依存が含まれる。問題が保存されたどのケースとも類似していない場合、システムは不十分な結果を生み出す可能性がある。類似性の評価は脆弱であり得、適応は依然として困難な問題であり、しばしば手作りのルールを必要とする。ライブラリが成長するにつれてパフォーマンスが低下する可能性があり、ケース保持ポリシーとインデックス戦略が必要となる。2020年代半ばの時点で、CBRは主流のAI研究において深層学習ほど顕著ではないが、特に説明可能性とデータ効率が重要視される専門的な産業および学術環境では引き続き使用されている。