A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Raciocínio Baseado em Casos Luis Otavio Alvares. Raciocínio Baseado em Casos CBR (Case-Based Reasoning) Paradigma para resolução de problemas Ao resolver.

Apresentações semelhantes


Apresentação em tema: "Raciocínio Baseado em Casos Luis Otavio Alvares. Raciocínio Baseado em Casos CBR (Case-Based Reasoning) Paradigma para resolução de problemas Ao resolver."— Transcrição da apresentação:

1 Raciocínio Baseado em Casos Luis Otavio Alvares

2 Raciocínio Baseado em Casos CBR (Case-Based Reasoning) Paradigma para resolução de problemas Ao resolver um novo problema, considera a solução utilizada em problemas similares Uma abordagem incremental Novo Problema Nova Solução Solução de Problemas Similares

3 CBR (Case-Based Reasoning) Um sistema de CBR resolve problemas por adaptar soluções que foram utilizadas para resolver problemas anteriores. Riesbeck & Schank, 1989

4 Caso É uma descrição completa do problema do domínio, com a respectiva solução aplicada, mais uma avaliação da eficácia desta solução

5 Exemplo de Caso Problema: Solução: Avaliação: Sistema para diagnóstico de doença Exemplo de caso : Componentes de um caso

6 Exemplo de Caso Problema: Windows travado Solução: Reiniciar a máquina Avaliação: Sistema voltou a funcionar Sistema para diagnóstico de falhas em computador Exemplo de caso : Componentes de um caso

7 Aplicações Diagnóstico Previsão Avaliação Planejamento Projeto Configuração

8 Aplicações CYRUS (Janet Kolodner, 1983) PERSUADER (Sycara, 1987) –soluciona conflitos entre patrões e empregados CASEY (Koton, 1989) –diagnostica problemas cardíacos JULIA (Hinrichs, 1992) –trabalha com planejamento de refeições CHEF (Hommond,1996) –desenvolve novos pratos a partir de outros

9 Aplicações Sistemas de Assistência ao Cliente: –Cisco Systems –Hewlett-Packard –Intel Corp –Microsoft –Visa International –AT&T Corp –Nokia Telecommunications

10 Novo Caso Funcionamento Conhecimento Geral Casos anteriores Caso Resol- vido Caso Recu- perado Novo Caso Avalia -do 0 Solução Confirmada Solução Sugerida Problema

11 Novo Caso Funcionamento Conhecimento Geral Casos anteriores Caso Resol- vido Caso Recu- perado Novo Caso Avalia -do 0 Solução Confirmada Solução Sugerida Problema RECUPERAÇÃO AVALIAÇÃO ADPTAÇÃO

12 Representação e Organização de Casos A eficiência do sistema depende da estrutura e conteúdo da coleção de casos Problema de decidir : –O que armazenar em um caso (conteúdo) –Como estruturar seu conteúdo (estrutura) –Como organizar e indexar a memória de casos (organização e índice)

13 Representação de Casos Definir: –qual a estrutura adequada para os casos –quais casos devem ser representados –qual a granularidade da informação Casos podem ser representados de várias formas, entre elas: frames, objetos, predicados,... Objetos e tabelas do modelo relacional são as mais utilizadas.

14 Exemplo de caso Nome: Paulo Rocha Nascimento: Endereço: Av. Carlos Gomes, POA Profissão: Analista de sistemas Salário mensal: R$ 3.000,00 Estado civil: solteiro Dependentes: 0 Cartão crédito: Visa Empréstimo solicitado: R$ ,00 Empréstimo concedido: sim cliente pagou corretamente o empréstimo descrição do caso solução do caso avaliação

15 Organização da Base de Casos Influencia na recuperação do caso mais similar e nas atualizações da base de casos –Organização Seqüencial –Organização Estruturada

16 Organização Seqüencial Casos armazenados seqüencialmente em lista, array ou arquivo Ao fazer a recuperação, todos os casos são considerados Algoritmo simples para busca e atualização da base Ineficiente para bases muito grandes

17 Organização Estruturada Otimiza a busca de casos Aumenta a complexidade de tratamento da base Ocupa mais espaço na memória de trabalho Deve estar bem organizada, ou não chegaremos ao melhor caso

18 Organização da Base de Casos João Salário: 3000 Estado Civil: Solteiro Dependentes: 0 Pedro Salário: Estado Civil: Casado Dependentes: 1 Jorge Salário: 6000 Estado Civil: Casado Dependentes: 3 Ana Salário: 3100 Estado Civil: Casada Dependentes: 2 Maria Salário: 2500 Estado Civil: Solteiro Dependentes: 0

19 Organização da Base de Casos João Salário: 3000 Dependentes: 1 Pedro Salário: 1000 Dependentes: 1 Jorge Salário: Dependentes: 3 Maria Salário: 2500 Dependentes: 0 Ana Salário: 3100 Dependentes: 2 Estado Civil Salário Solteiro Casado < 5000>= 5000 Paulo Estado Civil: Solteiro Salário: Dependentes: 3

20 Métodos de indexação Indexar casos quer dizer definir caminhos (atalhos) que nos levam de fatos a casos. Isto permite que quando estamos procurando pelo caso mais similar na base, não tenhamos que percorrer toda a base, mas possamos utilizar este "atalho"

21 As informações de um caso podem ser de dois tipos: –indexadas: utilizadas na recuperação. Ex de diagnóstico médico: idade, sexo, tipo sangüíneo, peso –não indexadas: têm um valor de informação, mas não são usadas diretamente na recuperação. Ex: foto, endereço, nome do paciente,...

22 Indexação Técnicas Manuais –Analisam caso a caso para determinar características que influenciam variações sobre as conclusões Técnicas Automáticas –Quantificam diferenças entre casos e relacionamentos entre características do problema e soluções adotadas

23 Métodos de indexação manuais Manualmente a pessoa tem que analisar casos e dizer "este caso é importante por causa disto, ou daquilo. Uma das primeiras etapas na construção de um sistema com índices manualmente identificados é a definição de uma checklist; Indexar desta forma é praticamente um trabalho de aquisição de conhecimento.

24 Indexação automática –aprendizado indutivo: identifica as características que determinam as conclusões. Ex: ID3, C4.5 –indexação baseada em diferença: seleciona índices que diferenciam um caso de outro

25 Métodos de Recuperação Recuperar caso(s) mais similares Vários tipos de busca podem ser usadas: –serial, hierárquica,...

26 Métodos de Recuperação Vizinho mais próximo ( Nearest-Neighbour) Para cada caso C j da base Calcular a similaridade de C j com o novo caso Reter o caso com o maior grau de similaridade

27 Vizinho mais próximo n w i. sim(v p i, v r i ) i=1 n w i i=1 W: peso da característica sim: função de similaridade v p i e v r i : valores da característica i A função de similaridade depende do domínio do problema

28 Cálculo de Similaridade Exemplo para tipo numérico: a1 = 40 a2 = 80 sim(a1,a2) = 1 - |a2 - a1|/ (max - min) Supondo que min = 0 e max = 100 : sim(40,80) = 1 - | |/( ) = 0,6

29 Exemplo para strings: Cores = {Branco, Amarelo, Vermelho, Marrom, Preto} a1 = Branco a2 = Amarelo 1, se a1 = a2 Opção1: sim(a1,a2) = 0, se a1 a2 Cálculo de Similaridade

30 Opção2: enumerar distâncias uniformemente a1 = Branco a2 = Amarelo sim(a1,a2) = 1 - |0,25 - 0| / 1 = 0,75 Cálculo de Similaridade VermelhoPretoMarromAmarelo 0,250,50,751 Branco 0

31 Opção3: criar matriz de similaridades a1 = Branco a2 = Amarelo sim(a1,a2) = 0,8 Cálculo de Similaridade VermelhoPretoMarromAmareloBranco Vermelho Preto Marrom Amarelo 10,80,40,150 10,50,20 10,70,6 10,85 1

32 Outro método de recuperação Percorre estrutura de índice (ex: árvore de decisão) e no fim aplica o vizinho mais próximo para poucos registros

33 Métodos de Adaptação É mais simples desenvolver regras de adaptação que um sistema completo baseado em regras A maior parte dos sistemas comerciais apresentam o melhor caso e deixam a adaptação para o usuário

34 Adaptação Substituição Transformação

35 Adaptação por substituição Instanciação de soluções antigas com valores substituíveis Comida com proteína CarneFrutos do MarQueijo GadoFrangoPeixeCamarão Só é adequada se existe uma hierarquia ou outra forma de descrever o problema e nos permita substituir um elemento por outro

36 Transformação Funciona através de heurísticas Exemplo: lasanha vegetariana –remover ingrediente secundário –substituir item

37 Ferramentas AcknoSoft - KATE Atlantis Aerospace Corporation - SpotLight Brightware Inc. - ART*Enterprise Case Bank Support Systems Inc. - Spotlight Cognitive Systems Inc. - ReMind (no longer trading) Esteem Software Inc. - ESTEEM Inductive Solutions Inc. - CasePower

38 Ferramentas Inference Corporation - k-commerce (formerly called CBR3 or CBR Express, CasePoint, Generator & WebServer) IET-Intelligent Electronics - TechMate Intellix - KnowMan Isoft - ReCall Sententia Software Inc. - CASE Advisor & Case Advisor Webserver ServiceSoft - Knowledge Builder & Web Adviser

39 Softwares Acadêmicos CASPIAN (University of Wales) CASUEL - A Common Case Representation Language PROTOS EProtos extension for numeric values

40 Comparação com um Banco de Dados tradicional BD não contém a descrição dos problemas associados com a solução não faz casamento por aproximação a base de casos não é livre de ruídos e duplicações

41 Vantagens do CRB Construção de um protótipo antes de obter a completa estruturação do domínio Reuso de conhecimento armazenado em bancos de dados e outras fontes Diminui a necessidade aquisição de conhecimento Aprendizagem automática de novos casos

42 Desvantagens do CBR Dificuldade em obter casos disponíveis e confiáveis Não cobrem todo o domínio Não existem bons algoritmos de adaptação Exige mais espaço para armazenamento

43 Referências Kolodner, Janet. Case-Based Reasoning. San Mateo, California: Morgan Kauffman, Aamodt, A. & Plaza, E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AICom - Artificial Intelligence Communications, IOS Press, Vol.7: 1, pp.39-59, Watson, Ian & Marir, Farhi. Case-Based Reasoning: A Review. AI_CBR, University of Salford, Salford, M5 4WT, UK [http://www.ai-cbr.org/


Carregar ppt "Raciocínio Baseado em Casos Luis Otavio Alvares. Raciocínio Baseado em Casos CBR (Case-Based Reasoning) Paradigma para resolução de problemas Ao resolver."

Apresentações semelhantes


Anúncios Google