Razonamiento Basado en Casos

El razonamiento basado en casos apareció por primera vez en el trabajo de Roger Schank y sus estudiantes de Yale a principios de los 80, sin embargo el interés en el razonamiento basado en casos creció en la comunidad internacional en los años 90.

El razonamiento basado es utilizado en los sistemas expertos (consultar publicación sobre sistemas expertos si se tiene duda). El problema con un sistema experto, es que al igual que un experto humano, si deja de generar nuevo conocimiento se convierte en un experto mediocre.

El razonamiento basado en casos se puede explicar de la siguiente manera. Imagine a un doctor que está tratando una enfermedad muy extraña que tiene síntomas muy anormales. Utilizará todos los recursos posibles para poder relacionar esos síntomas con una enfermedad. Una vez que haya descubierto cual es la enfermedad, tendrá un nuevo conocimiento. Si en el futuro vuelve a tener un paciente que presente esos síntomas, utilizará el conocimiento anterior para ya saber de qué manera diagnosticarlo. Eso es Razonamiento Basado en Casos, utilizar la información que tenemos para crear nuevas relaciones, y después poder utilizar ese nuevo conocimiento en el futuro.  

En la computación, es igual. Un sistema experto con RBC utilizará la información que se le ingresó con relación a la manera en la que un experto resolvería cierta situación. Sin embargo, en caso de que se le presente un problema que no estaba contemplado, razonará una solución y la interpretará con la misma validez como si fuera algo que el experto hubiese ingresado.

El razonamiento basado en casos es dividido en 4 procesos:

  • Recordar los casos similares al que estamos analizando
  • Reutilizar toda la información que tengamos en ese caso para resolver el problema
  • Revisar la solución propuesta
  •  Retener lo aprendido al solucionar ese nuevo problema, para así utilizar dicha información en el futuro.

Esta relativamente nueva área del conocimiento, nos acerca más a un estado en el cual las computadoras solamente necesiten interactuar con humanos, para aprender a ser humanos (este párrafo es un punto de vista que no considera cuestiones filosóficas de ser humano).

Bibliografía:

Aamodt, Agnar, and Enric Plaza. “Case-Based Reasoning: Foundational Issues, Methodological Variations, and System ApproachesArtificial Intelligence Communications 7, no. 1 (1994): 39-52.

Advertisements

Plan de trabajo

Roma no se construyó en un día. Todo tiene que tener un comienzo, y en el camino por entender y poder aplicar la Inteligencia Artificial primero es necesario tener bases sólidas de sus componentes. Es como una casa, antes de construir se ponen los cimientos.

Para comprender la Inteligencia Artificial, dividiremos sus áreas de estudio en dos grandes conjuntos:

  • Algoritmos de Inteligencia Artificial (Machine Learning)
  • Bioinformática.

El área de Algoritmos de Inteligencia Artificial será segmentada con el estudio de los siguientes temas:

  • Redes Bayesianas
  • Sistemas Expertos
  • Razonamiento Basado en Casos
  • Perceptrón (Red neuronal de una capa)
  • Clúster
  • Lógica Difusa
  • Arboles de Inducción ID3
  • Cadenas de Márkov
  • Máquinas Vectoriales

El área de Bioinformática será dividida en los siguientes temas:

  • Algoritmos Genéticos
  •  Swarm Particle
  • Swarm Intelligence
  • Agentes

Semanalmente estaremos hablando de a lo mínimo uno de estos temas. Si crees que falta algo que es indispensable para la comprensión de la Inteligencia Artificial, te invito a dejar un comentario.