사례 기반 추론(CBR)은 이전에 접했던 상황, 즉 '사례'의 라이브러리를 참조하여 새로운 문제를 해결하는 인공 지능의 하위 분야이다. CBR 시스템은 추상적인 규칙이나 통계적 패턴에서 답을 도출하는 대신, 가장 유사한 과거 사례를 검색하고, 그 해결책을 현재 문제에 맞게 적응시킨 후, 새로운 경험을 향후 사용을 위해 저장한다. 이 방법론은 사람들이 종종 첫 번째 원칙보다는 특정 과거 사건에 대한 기억에 의존하는 인간의 문제 해결 방식을 반영한다.
이 접근 방식은 1980년대 후반과 1990년대 초반에 두각을 나타냈으며, 주로 제록스 PARC 및 기타 기관의 Roger Schank와 Janet Kolodner 같은 연구자들의 작업을 통해 이루어졌다. 인간의 기억이 일화적 경험을 중심으로 조직된다는 슈앙크의 동적 기억 이론은 CBR의 인지적 기반을 제공했다. 콜로드너의 1993년 저서 '사례 기반 추론'은 표준 참고 자료가 되었으며, 이 분야의 연례 국제 사례 기반 추론 학회(ICCBR)는 1995년부터 개최되어 왔다.
CBR 주기
표준 CBR 시스템은 종종 '4R' 프로세스로 축약되는 4단계 주기, 즉 검색(Retrieve), 재사용(Reuse), 수정(Revise), 유지(Retain)를 통해 작동한다.
- 검색: 새로운 문제 설명이 주어지면 시스템은 사례 라이브러리에서 유사한 특징을 가진 사례를 검색한다. 유사성은 일반적으로 가중 특징 매칭을 사용하여 계산되며, 여기서 사례의 각 속성(예: 환자의 증상 또는 기계의 오류 코드)은 새로운 문제의 해당 속성과 비교된다. 유클리드 거리 또는 코사인 유사성과 같은 거리 측정법이 일반적이며, 인덱싱 체계는 검색 범위를 좁히는 데 도움이 된다.
- 재사용: 검색된 사례의 해결책이 새로운 문제로 이전된다. 단순한 시스템에서는 직접 복사일 수 있다. 더 복잡한 시스템에서는 이전 및 새 맥락 간의 차이를 기반으로 해결책이 적응된다. 예를 들어, 과거 사례가 특정 수리로 기계 고장을 해결했다면, 시스템은 약간 다른 기계 모델에 맞게 수리 절차를 조정할 수 있다.
- 수정: 제안된 해결책은 시뮬레이션이나 실제 적용을 통해 평가된다. 실패할 경우 시스템은 실패 원인을 진단하고 그에 따라 해결책을 수정한다. 이 단계는 종종 인간의 피드백이나 도메인별 수리 알고리즘을 포함한다.
- 유지: 새로운 문제와 확인된 해결책은 새 사례로 사례 라이브러리에 추가된다. 이 학습 단계는 시스템이 경험을 통해 개선되어 시간이 지남에 따라 더 정확하고 효율적으로 성장하도록 보장한다.
응용 분야 및 영역
CBR은 광범위한 실용 영역에 배포되어 왔다. 가장 초기이자 가장 성공적인 응용 중 하나는 헬프데스크 및 고객 지원 시스템이었으며, 예를 들어 1990년대 Compaq SMART 시스템은 CBR을 사용하여 컴퓨터 하드웨어 문제를 진단했다. 의학 분야에서는 CASEY(1989) 및 이후 도구와 같은 CBR 시스템이 환자 기록을 과거 사례와 매칭하여 진단 및 치료 계획을 지원했다. 법률 분야에서도 CBR을 사용하여 판례를 검색했으며, 카네기 멜론 대학교의 HYPO(1987)와 같은 시스템이 변호사가 관련 법원 판결을 찾는 데 도움을 주었다.
기타 주목할 만한 응용 분야는 다음과 같다:
- 공학 설계: 새로운 부품 또는 시스템에 대한 과거 설계 솔루션 재사용.
- 로봇 공학: 로봇이 과거 행동 시퀀스를 새로운 환경에 적응시킬 수 있도록 지원.
- 전자 상거래: 유사한 과거 구매를 기반으로 제품 추천.
- 사기 탐지: 알려진 사기 사례와 비교하여 의심스러운 거래 식별.
다른 AI 접근 방식과의 관계
CBR은 종종 지식을 명시적인 if-then 규칙으로 인코딩하는 규칙 기반 전문가 시스템과 대조된다. 규칙 기반 시스템은 지식 엔지니어가 전문성을 추출하고 공식화해야 하는 반면, CBR 시스템은 역사적 기록에서 더 직접적으로 구축될 수 있어 지식 획득 병목 현상을 줄인다. 그러나 CBR 시스템은 효과적인 유사성 측정을 정의하고, 다루기 어렵고 느려질 수 있는 대규모 사례 라이브러리를 유지하는 데 어려움을 겪는다.
머신 러닝과 딥 러닝의 부상으로 CBR은 때때로 오래된 패러다임으로 간주되기도 한다. 그러나 하이브리드 시스템에서는 여전히 관련성이 있다. 예를 들어, 현대 대규모 언어 모델(LLM)은 CBR과 결합되어 특정 과거 사례에 응답을 근거하여 사실적 정확성과 설명 가능성을 개선했다. 신경망 연구는 또한 사례 표현이 임베딩으로 학습되어 학습된 특징 공간에서 유사성을 계산할 수 있는 '신경 사례 기반 추론'을 탐구했다. 이러한 통합은 MIT CSAIL 및 스탠포드 AI 랩과 같은 기관에서 탐구되어 왔다.
강점과 한계
CBR은 여러 가지 장점을 제공한다. 해결책을 특정 이전 사례로 추적할 수 있어 투명하며, 사용자에게 결정을 설명하기 쉽다. 전역 모델의 재훈련 없이 점진적으로 학습한다. 지식이 불완전하거나 예외가 흔한 영역에 잘 적합하며, 가장 가까운 일치 항목을 검색하여 '경계 사례'를 처리할 수 있다.
한계로는 사례 라이브러리의 품질과 범위에 대한 의존성이 있다. 문제가 저장된 사례와 유사하지 않으면 시스템이 좋지 않은 결과를 생성할 수 있다. 유사성 평가는 취약할 수 있으며, 적응은 여전히 어려운 문제로, 종종 수작업 규칙이 필요하다. 라이브러리가 성장함에 따라 성능이 저하될 수 있어 사례 유지 정책과 인덱싱 전략이 필요하다. 2020년대 중반 현재, CBR은 주류 AI 연구에서 딥 러닝보다 덜 두드러지지만, 특히 설명 가능성과 데이터 효율성이 중요한 전문 산업 및 학술 환경에서 계속 사용되고 있다.