Case-Based Reasoning und anderen Inferenzmechanismen · Case-Based Reasoning und anderen...

Preview:

Citation preview

Case-Based Reasoning und anderenInferenzmechanismen

Daniel Müller

21 April 2006

DM () CBR und Inferenz 21 April 2006 1 / 31

Contents

1 Einleitung2 Inferenzmechanismen

Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen

3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus

DM () CBR und Inferenz 21 April 2006 2 / 31

Contents

1 Einleitung2 Inferenzmechanismen

Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen

3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus

DM () CBR und Inferenz 21 April 2006 2 / 31

Contents

1 Einleitung2 Inferenzmechanismen

Statistische VerfahrenData MiningFuzzy-LogikRegelbasierte SystemeEvolutionäre AlgorithmenMulti-Agenten-SystemeNeuronale NetzeStereotypen

3 CBRWas ist fallbasiertes Schliessen?Motivationen für fallbasiertes SchliessenCBR-Zyklus

DM () CBR und Inferenz 21 April 2006 2 / 31

Einleitung

Was bedeutet Inferenz

Inferenz = Schluss oder Beweis

In der Informatik:

ist Inferenz aber meisten eine automatisierteSchlussfolgerung

diese erfolgt durch ein computerunterstütztes System

DM () CBR und Inferenz 21 April 2006 3 / 31

Inferenzmechanismen Statistische Verfahren

Statistische Verfahren

hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen

mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden

es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen

DM () CBR und Inferenz 21 April 2006 4 / 31

Inferenzmechanismen Statistische Verfahren

Statistische Verfahren

hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen

mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden

es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen

DM () CBR und Inferenz 21 April 2006 4 / 31

Inferenzmechanismen Statistische Verfahren

Statistische Verfahren

hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen

mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden

es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen

DM () CBR und Inferenz 21 April 2006 4 / 31

Inferenzmechanismen Statistische Verfahren

Statistische Verfahren

hier werden Daten über den Benutzen Ausgewertet auf derBasis der statistischen Datenanalysen

mit Hilfe statistischer Methoden lassen sich echte Effektevon Zufallstreffern unterscheiden

es werden statistische Zusammenhänge dargestellt dieaufgrund von Wechselwirkungen zwischen einzelnenEreignissen entstehen

DM () CBR und Inferenz 21 April 2006 4 / 31

Inferenzmechanismen Statistische Verfahren

Statistische Verfahren

Folgende Techniken gibt es:

Korrelation

Regression

Varianzanalyse

Multivariable Analysen

Diskriminanzanalysen

Clusteranalyse

Zeitreihenanalyse

DM () CBR und Inferenz 21 April 2006 5 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Data Mining

Data Mining

Techniken zum Finden von interessanten und nützlichenMustern und Regeln in großen Datenmengen

Informationen werden aus Datenbanken extrahiert undinterpretiert

Verwendete Technologien stammen aus dem Bereich:

der künstlichen Intelligenz

dem Knowledge-Management

statistischen Modellen

=> Analyse und Prognose von Verhaltensweisen und Trends

DM () CBR und Inferenz 21 April 2006 6 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Fuzzy-Logik

Fuzzy-Logik

Verallgemeinerung der zweiwertigen Booleschen Logik

lässt Wahrheitswerte zwischen WAHR und FALSCH zu

vorhandenes Wissen flißt in die Verarbeitung mit ein

Verarbeitung unscharfer (engl. fuzzy) Werte

experten Wissen ist oft unscharf

=> komplexe Probleme leichter zu beschreiben

DM () CBR und Inferenz 21 April 2006 7 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Regelbasierte Systeme bestehen aus

einer Datenbank von Fakten

einer Menge von Regeln

einem Kontrollsystem mit Regelinterpreter

Regeln sind in der Form: "Wenn-Dann"

WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus

DM () CBR und Inferenz 21 April 2006 8 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Regelbasierte Systeme bestehen aus

einer Datenbank von Fakten

einer Menge von Regeln

einem Kontrollsystem mit Regelinterpreter

Regeln sind in der Form: "Wenn-Dann"

WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus

DM () CBR und Inferenz 21 April 2006 8 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Regelbasierte Systeme bestehen aus

einer Datenbank von Fakten

einer Menge von Regeln

einem Kontrollsystem mit Regelinterpreter

Regeln sind in der Form: "Wenn-Dann"

WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus

DM () CBR und Inferenz 21 April 2006 8 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Regelbasierte Systeme bestehen aus

einer Datenbank von Fakten

einer Menge von Regeln

einem Kontrollsystem mit Regelinterpreter

Regeln sind in der Form: "Wenn-Dann"

WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus

DM () CBR und Inferenz 21 April 2006 8 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Regelbasierte Systeme bestehen aus

einer Datenbank von Fakten

einer Menge von Regeln

einem Kontrollsystem mit Regelinterpreter

Regeln sind in der Form: "Wenn-Dann"

WENN Herdplatte heiss UND kein Topf auf Herd DANN schalteHerd aus

DM () CBR und Inferenz 21 April 2006 8 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Aufgabe des Kontrollsystems

die Identifikation geeigneter Regeln

das Anwenden ausgewählter Regeln

sowie die Aktualisierung der Datenbank

DM () CBR und Inferenz 21 April 2006 9 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Aufgabe des Kontrollsystems

die Identifikation geeigneter Regeln

das Anwenden ausgewählter Regeln

sowie die Aktualisierung der Datenbank

DM () CBR und Inferenz 21 April 2006 9 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Aufgabe des Kontrollsystems

die Identifikation geeigneter Regeln

das Anwenden ausgewählter Regeln

sowie die Aktualisierung der Datenbank

DM () CBR und Inferenz 21 April 2006 9 / 31

Inferenzmechanismen Regelbasierte Systeme

Regelbasierte Systeme

Aufgabe des Kontrollsystems

die Identifikation geeigneter Regeln

das Anwenden ausgewählter Regeln

sowie die Aktualisierung der Datenbank

DM () CBR und Inferenz 21 April 2006 9 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren zur Lösung von Optimierungs- undSuchprobleme

orientiert an der Evolutionstheorie der Biologie

Problemlösungen sind sogenannte Individuen

die mit Hilfe einer Fitnessfunktion bewertet werden

DM () CBR und Inferenz 21 April 2006 10 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren zur Lösung von Optimierungs- undSuchprobleme

orientiert an der Evolutionstheorie der Biologie

Problemlösungen sind sogenannte Individuen

die mit Hilfe einer Fitnessfunktion bewertet werden

DM () CBR und Inferenz 21 April 2006 10 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren zur Lösung von Optimierungs- undSuchprobleme

orientiert an der Evolutionstheorie der Biologie

Problemlösungen sind sogenannte Individuen

die mit Hilfe einer Fitnessfunktion bewertet werden

DM () CBR und Inferenz 21 April 2006 10 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren zur Lösung von Optimierungs- undSuchprobleme

orientiert an der Evolutionstheorie der Biologie

Problemlösungen sind sogenannte Individuen

die mit Hilfe einer Fitnessfunktion bewertet werden

DM () CBR und Inferenz 21 April 2006 10 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren zur Lösung von Optimierungs- undSuchprobleme

orientiert an der Evolutionstheorie der Biologie

Problemlösungen sind sogenannte Individuen

die mit Hilfe einer Fitnessfunktion bewertet werden

DM () CBR und Inferenz 21 April 2006 10 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren bei der Verbesserung der Individuen:

Selektion

Rekombination

Eliminierung

Ziel:die Generationen bzgl. ihrer Fitness zu verbessern

=> optimierten Problemlösungen zu erhalten

DM () CBR und Inferenz 21 April 2006 11 / 31

Inferenzmechanismen Evolutionäre Algorithmen

Evolutionäre Algorithmen

Verfahren bei der Verbesserung der Individuen:

Selektion

Rekombination

Eliminierung

Ziel:die Generationen bzgl. ihrer Fitness zu verbessern

=> optimierten Problemlösungen zu erhalten

DM () CBR und Inferenz 21 April 2006 11 / 31

Inferenzmechanismen Multi-Agenten-Systeme

Multi-Agenten-Systeme

das System wird in Komponenten zerlegt

Agentenleben:

Agenten können bestimmte Handlungen ausführen

sie haben ein klares Ziel

sie können mit anderen Agenten kommunizieren

DM () CBR und Inferenz 21 April 2006 12 / 31

Inferenzmechanismen Multi-Agenten-Systeme

Multi-Agenten-Systeme

das System wird in Komponenten zerlegt

Agentenleben:

Agenten können bestimmte Handlungen ausführen

sie haben ein klares Ziel

sie können mit anderen Agenten kommunizieren

DM () CBR und Inferenz 21 April 2006 12 / 31

Inferenzmechanismen Multi-Agenten-Systeme

Multi-Agenten-Systeme

das System wird in Komponenten zerlegt

Agentenleben:

Agenten können bestimmte Handlungen ausführen

sie haben ein klares Ziel

sie können mit anderen Agenten kommunizieren

DM () CBR und Inferenz 21 April 2006 12 / 31

Inferenzmechanismen Multi-Agenten-Systeme

Multi-Agenten-Systeme

Ein Multi-Agenten-System entsteht:

wenn mehrere Agenten in einer gemeinsamen Umgebungoperieren

in Wechselwirkung zueinander stehen

Die wichtigsten Eigenschaften von MAS:

optimierte Problembearbeitung

hohe Fehlertoleranz durch Redundanz

Wiederverwendbarkeit und Veränderungen

DM () CBR und Inferenz 21 April 2006 13 / 31

Inferenzmechanismen Multi-Agenten-Systeme

Multi-Agenten-Systeme

Ein Multi-Agenten-System entsteht:

wenn mehrere Agenten in einer gemeinsamen Umgebungoperieren

in Wechselwirkung zueinander stehen

Die wichtigsten Eigenschaften von MAS:

optimierte Problembearbeitung

hohe Fehlertoleranz durch Redundanz

Wiederverwendbarkeit und Veränderungen

DM () CBR und Inferenz 21 April 2006 13 / 31

Inferenzmechanismen Neuronale Netze

Neuronale Netze

ein stark vereinfachtes Modell des menschlichen Gehirns

die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit

Anwendung:

Spracherkennung

Erkennung von Unterschriften und Gesichtern

Börsenkursentwicklungen

DM () CBR und Inferenz 21 April 2006 14 / 31

Inferenzmechanismen Neuronale Netze

Neuronale Netze

ein stark vereinfachtes Modell des menschlichen Gehirns

die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit

Anwendung:

Spracherkennung

Erkennung von Unterschriften und Gesichtern

Börsenkursentwicklungen

DM () CBR und Inferenz 21 April 2006 14 / 31

Inferenzmechanismen Neuronale Netze

Neuronale Netze

ein stark vereinfachtes Modell des menschlichen Gehirns

die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit

Anwendung:

Spracherkennung

Erkennung von Unterschriften und Gesichtern

Börsenkursentwicklungen

DM () CBR und Inferenz 21 April 2006 14 / 31

Inferenzmechanismen Neuronale Netze

Neuronale Netze

ein stark vereinfachtes Modell des menschlichen Gehirns

die wesentliche Eigenschaft solcher neuronaler Netze istihre Lernfähigkeit

Anwendung:

Spracherkennung

Erkennung von Unterschriften und Gesichtern

Börsenkursentwicklungen

DM () CBR und Inferenz 21 April 2006 14 / 31

Inferenzmechanismen Stereotypen

Stereotypen

Technik zum Erwerb von Benutzermodellen

Benutzer werden in Klassen eingeteilt (UML2)

DM () CBR und Inferenz 21 April 2006 15 / 31

Inferenzmechanismen Stereotypen

Stereotypen

Technik zum Erwerb von Benutzermodellen

Benutzer werden in Klassen eingeteilt (UML2)

DM () CBR und Inferenz 21 April 2006 15 / 31

Inferenzmechanismen Stereotypen

Stereotypen

Technik zum Erwerb von Benutzermodellen

Benutzer werden in Klassen eingeteilt (UML2)

DM () CBR und Inferenz 21 April 2006 15 / 31

Inferenzmechanismen Stereotypen

Stereotypen

Technik zum Erwerb von Benutzermodellen

Benutzer werden in Klassen eingeteilt (UML2)

DM () CBR und Inferenz 21 April 2006 15 / 31

Inferenzmechanismen Stereotypen

Stereotypen

Technik zum Erwerb von Benutzermodellen

Benutzer werden in Klassen eingeteilt (UML2)

Aufstellung und Zuordnung von Stereotypen:

Identifikation von Benutzeruntergruppen

Identifikation von Schlüsselmerkmalen

Repräsentation in (hierarchisch geordneten) Stereotypen

DM () CBR und Inferenz 21 April 2006 15 / 31

CBR

Kurzbeschreibung CBR

CBR = "Cased-Based Reasoning"deutsch = fallbasiertes Schliessen

Zentrale Aspekte:

Fallbasis (case memory)

Loesung eines gegebenen Problems, die Loesung einesaehnlichen und frueher bereits geloesten Problems

man ahmt eine menschliche Verhaltensweise nach

DM () CBR und Inferenz 21 April 2006 16 / 31

CBR Was ist fallbasiertes Schliessen?

Fallbasiertes Schliessen ist

ein Ansatz zur Modellierung des menschlichen Denkens

ein Ansatz zum Bau von intelligenten Systemen

Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert

Zum Lösen einer neuen Aufgabe werden:

+ ähnliche Erfahrungen aus dem Speicher abgerufen

+ die Erfahrung im Kontext der neuen Situationwiederverwendet

+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert

DM () CBR und Inferenz 21 April 2006 17 / 31

CBR Was ist fallbasiertes Schliessen?

Fallbasiertes Schliessen ist

ein Ansatz zur Modellierung des menschlichen Denkens

ein Ansatz zum Bau von intelligenten Systemen

Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert

Zum Lösen einer neuen Aufgabe werden:

+ ähnliche Erfahrungen aus dem Speicher abgerufen

+ die Erfahrung im Kontext der neuen Situationwiederverwendet

+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert

DM () CBR und Inferenz 21 April 2006 17 / 31

CBR Was ist fallbasiertes Schliessen?

Fallbasiertes Schliessen ist

ein Ansatz zur Modellierung des menschlichen Denkens

ein Ansatz zum Bau von intelligenten Systemen

Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert

Zum Lösen einer neuen Aufgabe werden:

+ ähnliche Erfahrungen aus dem Speicher abgerufen

+ die Erfahrung im Kontext der neuen Situationwiederverwendet

+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert

DM () CBR und Inferenz 21 April 2006 17 / 31

CBR Was ist fallbasiertes Schliessen?

Fallbasiertes Schliessen ist

ein Ansatz zur Modellierung des menschlichen Denkens

ein Ansatz zum Bau von intelligenten Systemen

Zentrale Grundidee:gemachte Erfahrungen (Fälle) werden gespeichert

Zum Lösen einer neuen Aufgabe werden:

+ ähnliche Erfahrungen aus dem Speicher abgerufen

+ die Erfahrung im Kontext der neuen Situationwiederverwendet

+ hierbei neu gewonnene Erfahrungen werden wiedergespeichert

DM () CBR und Inferenz 21 April 2006 17 / 31

CBR Was ist fallbasiertes Schliessen?

Was ist ein Fall?

Ein Fall ist die Beschreibung einer bereits real aufgetretenenProblemsituation zusammen mit den Erfahrungen, die währendder Bearbeitung des Problems gewonnen werden konnten

DM () CBR und Inferenz 21 April 2006 18 / 31

CBR Was ist fallbasiertes Schliessen?

Woraus besteht ein Fall?

Problem

Lösung

eventuell auch aus:

Kontext

Lösungswege

DM () CBR und Inferenz 21 April 2006 19 / 31

CBR Motivationen für fallbasiertes Schliessen

Motivationen für fallbasiertes Schliessen

Vermeidung eines hohen Wissensakquisitionsaufwandes

Einfache Wartung des Wissens des Systems

Höhere Qualität der entstehenden Lösungen

Höhere Effizienz beim Problemlösen

DM () CBR und Inferenz 21 April 2006 20 / 31

CBR Motivationen für fallbasiertes Schliessen

Vermeidung hohenWissensakquisitionsaufwandes

DM () CBR und Inferenz 21 April 2006 21 / 31

CBR CBR-Zyklus

CBR-Zyklus

DM () CBR und Inferenz 21 April 2006 22 / 31

CBR CBR-Zyklus

Retrieve

in der Fallbasis ein möglichst ähnliches Problem zuermitteln

Herausforderung: Ähnlichkeit der Problembeschreibungenzu bestimmen

DM () CBR und Inferenz 21 April 2006 23 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Retrieve

Bestimmung der Ähnlichkeit durch:

Maße

Erklärungsbasierte Verfahren

Abstraktionsebenen

Organisation der Fallbasis

Lineare Liste

Datenbanken

Bäume etc

DM () CBR und Inferenz 21 April 2006 24 / 31

CBR CBR-Zyklus

Reuse

Lösung des ähnlichsten Falls wird als ein ersterLösungsvorschlag übernommen

damit Ausgangspunkt für die Lösung des neuen Problems

DM () CBR und Inferenz 21 April 2006 25 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Reuse

Arten der Lösungsübertragung

Kopieren der Lösung

Lösungsanpassung durch den Benutzer

Transformational Analogy

Derivational Analogy

Verwendete Methoden:Benutzerinteraktion

Regelbasiertes Schließen

Modellbasiertes Schließen

DM () CBR und Inferenz 21 April 2006 26 / 31

CBR CBR-Zyklus

Revise

nicht immer kann man ein aktuelles Problem genau solösen wie ein früheres

hier werden alte Lösungen überprüft und passt sie an dasneue Problem an

DM () CBR und Inferenz 21 April 2006 27 / 31

CBR CBR-Zyklus

Revise

Art der Überprüfung:

Überprüfung der Lösung durch Simulation

Überprüfung der Lösung in einer realen Umgebung

RevisionskritrienKorrektheit der Lösung

Qualität der Lösung

DM () CBR und Inferenz 21 April 2006 28 / 31

CBR CBR-Zyklus

Revise

Art der Überprüfung:

Überprüfung der Lösung durch Simulation

Überprüfung der Lösung in einer realen Umgebung

RevisionskritrienKorrektheit der Lösung

Qualität der Lösung

DM () CBR und Inferenz 21 April 2006 28 / 31

CBR CBR-Zyklus

Revise

Art der Überprüfung:

Überprüfung der Lösung durch Simulation

Überprüfung der Lösung in einer realen Umgebung

RevisionskritrienKorrektheit der Lösung

Qualität der Lösung

DM () CBR und Inferenz 21 April 2006 28 / 31

CBR CBR-Zyklus

Revise

Art der Überprüfung:

Überprüfung der Lösung durch Simulation

Überprüfung der Lösung in einer realen Umgebung

RevisionskritrienKorrektheit der Lösung

Qualität der Lösung

DM () CBR und Inferenz 21 April 2006 28 / 31

CBR CBR-Zyklus

Revise

Art der Überprüfung:

Überprüfung der Lösung durch Simulation

Überprüfung der Lösung in einer realen Umgebung

RevisionskritrienKorrektheit der Lösung

Qualität der Lösung

DM () CBR und Inferenz 21 April 2006 28 / 31

CBR CBR-Zyklus

Retain

der überarbeitete Fall wird in der Fallbasis abgespeichert

er steht damit für zukünftige Anfragen zur Verfügung

dadurch lernt das System mit jedem weiteren gelöstenProblem hinzu

DM () CBR und Inferenz 21 April 2006 29 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Retain

Was kann das System bei einen durchlauf lernen?

Neue Erfahrung

Ähnlichkeitsbewertung, Bedeutung von einzelnenMerkmalen

Organisation der Fallbasis (Effizienz)

Lösungsanpassung

Verwendete Methodenspeichern neuer Fälle

löschen von Fällen

Induktion etc

DM () CBR und Inferenz 21 April 2006 30 / 31

CBR CBR-Zyklus

Aufgabenklassen für CBRs

DM () CBR und Inferenz 21 April 2006 31 / 31

Recommended