Case-based reasoning (CBR) é um subcampo da inteligência artificial que resolve novos problemas consultando uma biblioteca de situações previamente encontradas, ou 'casos'. Em vez de derivar respostas de regras abstratas ou padrões estatísticos, um sistema CBR recupera o caso passado mais semelhante, adapta sua solução para se ajustar ao problema atual e, em seguida, armazena a nova experiência para uso futuro. Essa metodologia espelha a resolução de problemas humana, na qual as pessoas frequentemente dependem de memórias de eventos passados específicos em vez de primeiros princípios.
A abordagem ganhou destaque no final dos anos 1980 e início dos anos 1990, em grande parte pelo trabalho de pesquisadores como Roger Schank e Janet Kolodner na Xerox PARC e em outras instituições. A teoria da memória dinâmica de Schank, que postulava que a memória humana é organizada em torno de experiências episódicas, forneceu uma base cognitiva para o CBR. O livro de Kolodner de 1993, 'Case-Based Reasoning', tornou-se uma referência padrão, e a Conferência Internacional Anual sobre Raciocínio Baseado em Casos (ICCBR) do campo é realizada desde 1995.
O Ciclo CBR
Um sistema CBR padrão opera por meio de um ciclo de quatro etapas, frequentemente abreviado como processo '4R': Recuperar, Reutilizar, Revisar e Reter.
- Recuperar: Dada uma descrição de um novo problema, o sistema busca em sua biblioteca de casos por casos com características semelhantes. A similaridade é tipicamente calculada usando correspondência de características ponderadas, onde cada atributo de um caso (por exemplo, os sintomas de um paciente ou os códigos de erro de uma máquina) é comparado com o atributo correspondente do novo problema. Métricas de distância como distância euclidiana ou similaridade de cosseno são comuns, e esquemas de indexação ajudam a restringir a busca.
- Reutilizar: A solução do caso recuperado é transferida para o novo problema. Em sistemas simples, isso pode ser uma cópia direta. Em sistemas mais complexos, a solução é adaptada com base nas diferenças entre os contextos antigo e novo. Por exemplo, se um caso passado resolveu uma falha mecânica com um reparo específico, o sistema pode ajustar o procedimento de reparo para um modelo de máquina ligeiramente diferente.
- Revisar: A solução proposta é avaliada, seja por simulação ou aplicação no mundo real. Se falhar, o sistema diagnostica a causa da falha e modifica a solução de acordo. Essa etapa frequentemente envolve feedback humano ou um algoritmo de reparo específico do domínio.
- Reter: O novo problema e sua solução confirmada são adicionados à biblioteca de casos como um novo caso. Essa etapa de aprendizado garante que o sistema melhore com a experiência, tornando-se mais preciso e eficiente ao longo do tempo.
Aplicações e Domínios
O CBR foi implantado em uma ampla gama de domínios práticos. Uma das aplicações mais antigas e bem-sucedidas foi em sistemas de help-desk e suporte ao cliente, como o sistema SMART da Compaq (década de 1990), que usava CBR para diagnosticar problemas de hardware de computadores. Na medicina, sistemas CBR como CASEY (1989) e ferramentas posteriores apoiaram o diagnóstico e o planejamento de tratamento ao corresponder registros de pacientes a casos históricos. O domínio jurídico também usou CBR para recuperar precedentes, com sistemas como HYPO (1987) na Universidade Carnegie Mellon ajudando advogados a encontrar decisões judiciais relevantes.
Outras aplicações notáveis incluem:
- Design de engenharia: Reutilização de soluções de design passadas para novos componentes ou sistemas.
- Robótica: Permitir que robôs adaptem sequências de ações passadas a novos ambientes.
- Comércio eletrônico: Recomendação de produtos com base em compras passadas semelhantes.
- Detecção de fraude: Identificação de transações suspeitas comparando-as a casos de fraude conhecidos.
Relação com Outras Abordagens de IA
O CBR é frequentemente contrastado com sistemas especialistas baseados em regras, que codificam conhecimento como regras explícitas do tipo se-então. Enquanto sistemas baseados em regras exigem que engenheiros de conhecimento extraiam e formalizem expertise, sistemas CBR podem ser construídos mais diretamente a partir de registros históricos, reduzindo o gargalo de aquisição de conhecimento. No entanto, sistemas CBR enfrentam desafios na definição de medidas de similaridade eficazes e na manutenção de grandes bibliotecas de casos, que podem se tornar difíceis de gerenciar e lentas.
Com o avanço do aprendizado de máquina e do aprendizado profundo, o CBR às vezes tem sido visto como um paradigma mais antigo. No entanto, ele permanece relevante em sistemas híbridos. Por exemplo, grandes modelos de linguagem (LLMs) modernos foram combinados com CBR para fundamentar respostas em exemplos passados específicos, melhorando a precisão factual e a explicabilidade. Pesquisas em redes neurais também exploraram o 'raciocínio baseado em casos neural', onde representações de casos são aprendidas como embeddings, permitindo que a similaridade seja calculada em um espaço de características aprendido. Essa integração foi explorada em instituições como MIT CSAIL e Stanford AI Lab.
Pontos Fortes e Limitações
O CBR oferece várias vantagens. É transparente, pois as soluções podem ser rastreadas até casos anteriores específicos, facilitando a explicação de decisões aos usuários. Ele aprende incrementalmente, sem exigir o retreinamento de um modelo global. É bem adequado a domínios onde o conhecimento é incompleto ou onde exceções são comuns, pois pode lidar com 'casos extremos' recuperando a correspondência mais próxima.
Suas limitações incluem a dependência da qualidade e cobertura da biblioteca de casos; se um problema não se assemelhar a nenhum caso armazenado, o sistema pode produzir resultados ruins. A avaliação de similaridade pode ser frágil, e a adaptação continua sendo um problema difícil, frequentemente exigindo regras artesanais. O desempenho pode degradar à medida que a biblioteca cresce, exigindo políticas de retenção de casos e estratégias de indexação. Em meados da década de 2020, o CBR é menos proeminente que o aprendizado profundo na pesquisa mainstream de IA, mas continua sendo usado em ambientes industriais e acadêmicos especializados, particularmente onde explicabilidade e eficiência de dados são críticas.