Fallbasiertes Schließen

Fallbasiertes Schließen (engl. case-based reasoning, CBR) ist ein etabliertes Paradigma der Künstlichen Intelligenz (KI) zum Erfahrungsbasierten Problemlösen. Es basiert auf der Beobachtung, dass ähnliche Probleme in der Regel auch ähnliche Lösungen besitzen. Demzufolge ist die Idee des Fallbasierten Schließens, Erfahrungen bei der Lösung von Problemen aus der Vergangenheit zu nutzen, um ähnliche Probleme in gegenwärtige Situation zu lösen. Dazu werden (falls nötig) die Lösungen früherer Probleme angepasst, um sie so auf die neue Problemstellung zu übertragen. 

Der Hauptbestandteil jedes fallbasierten Problemlösers ist die sogenannte Fallbasis (case base). Sie ist eine Sammlung von gespeicherten Erfahrungseinheiten, den Fällen (cases). Ein Fall beinhaltet dabei eine Problembeschreibung und eine zugehörigen Lösung. Die Fallbasis ist in der Regel in einer Datenbank gespeichert und bildet das Basiswissens des Problemlösers.

Neue Probleme werden dadurch gelöst, dass Fälle aus der Fallbasis abgerufen werden (Retrieve), die ähnlich zum aktuellen Problem sind. Die in diesen ähnlichen Fällen gespeicherten Erfahrung werden dann wiederverwendet (Reuse). Hierbei können beispielsweise Teile der Lösung im Hinblick auf das neue Probleme adaptiert und gegebenenfalls kombiniert werden.

Die Forschung im Fallbasierten Schließen hat ein große Menge von Methoden hervorgebracht, um das ähnlichkeitsbasierte Auffinden und Adaptieren von Fällen technisch umzusetzen. Fallbasierten Systeme sind außerdem adaptive Systeme, da sie kontinuierlich ihre Fallbasis aktualisieren: neue Erfahrungen, die durch das Problemlösen gesammelt wurden, werden gespeichert (Retain) und veraltete Erfahrungen werden ggf. entfernt.

Für weitere Informationen zum Fallbasierten Schließen, lesen Sie die folgenden Übersichtartikel:

Bergmann et al. (2009). Case-Based Reasoning - Introduction and Recent Developments. Künstliche Intelligenz, 1/2009:5--11.

Unsere Kompetenzen

Wir sind eine der weltweit führenden Forschungsgruppen im Bereich des Fallbasierten Schließens. Unsere derzeitige Arbeit konzentriert sich auf das Schließen mit Erfahrungen im Web, wodurch die riesige Menge an Erfahrungen aus dem Bereich der sozialen Median, Foren und Q&A Webseiten für die Technologie des Fallbasierten Schließens zugänglich werden wird. Zu diesem Zweck entwickeln wir neue Methoden zur Gewinnung von strukturierten Fällen aus Webinhalten. Ein zweiter Bereich der aktuellen Forschung ist das prozessorientierte Fallbasierte Schließen. Wir erforschen Fallrepräsentation, Ähnlichkeitsbewertung und Adaption von Erfahrungen, die als Workflows dargestellt werden können. Eine wichtige Herausforderung besteht darin, Ähnlichkeitsmaße zum Auffinden von Workflow zu entwickeln und das effiziente Suchen von Workflow in großen Fallbasen zu ermöglichen. Ein drittes Thema von dauerhaftem Interesse ist Erforschung neuer Adaptionsmethoden (hierarchischer Adaption, kompositorische Adaption und Lernen von Adaptionswissen).

  • Forschung auf allen Gebieten des Fallbasierten Schließens, einschließlich Fallrepräsentation, Ähnlichkeitsbeurteilung, Adaption und Lernen
  • Schließen mit Erfahrungen im Web
  • Unterstützung des Fallbasierten Schließens für Workflow-Systeme
  • Entwicklung von generischen Tools zum Fallbasierten Schließens
  • Entwicklung kommerzieller Anwendungen zum Fallbasierten Schließens