Case Based Reasoning sartori@disco.unimib.it.

Presentazione sul tema: "Case Based Reasoning sartori@disco.unimib.it."— Transcript della presentazione:

1 Case Based Reasoning

2 Un pò di storia Approccio formalizzato da Janet Kolodner
Pittosto recente Algoritmo per la risoluzione di problemi basato sul ragionamento per analogia

3 Filosofia Il principio guida dell’approccio CBR è il seguente:
Problemi simili hanno soluzioni simili Quindi, soluzioni adottate in passato possono essere recuperate per risolvere nuove situazioni critiche

4 CBR e Ingegneria della Conoscenza
Il CBR nasce come problem solving method Particolarmente utile quando non si riesce a costruire un modello di conoscenza completo e preciso Dominio difficile Conoscenza eterogenea Poco tempo a disposizione Negli ultimi anni si sta imponendo come metodologia efficace ed efficiente per la realizzazione di Knowledge Management Systems

5 Il Ciclo CBR: le 4 R

6 CBR e Problemi Il CBR permette di affrontare e risolvere due categorie di problemi: Retrieve Classificazione Revise Costruzione

7 Il Caso: struttura

8 Rappresentazione di un caso
Flat Gerarchica A grafo

9 Retrieve = Classificare ?
Problema Problema Sono simili ? Sì No Stessa categoria Stessa categoria

10 Come recuperare casi Utilizzo di funzioni di similarità:
SIM : CxC  [0, 1] Input: la descrizione del problema Output: un numero reale compreso fra zero e uno (% di similarità) Uno dei due casi in ingresso è non risolto e si indica con Cc L’altro è risolto e si indica con Cr

11 Algoritmi di Retrieval
Stesso valore? Stesso valore? Cc Cr

12 K-Nearest Neighbour Il valore di similarità è una media pesata della funzione SIM applicata ai valori di tutti gli attributi della descrizione del caso:

13 Revise = Costruzione ? Problema Soluzione Recuperata Sì No
La soluzione va bene? Conoscenza Specifica dominio Sì No Ho “costruito” la soluzione Uso la soluzione come punto di partenza

14 Algoritmi di Revise Mofica valore? Modifica valore? Soluzioner
Soluzionec

15 Algoritmi di Revise Difficili da implementare
Spesso si lascia all’utente/esperto il compito di modifcare la soluzione recuperata Gli algoritmi più diffusi si basano sul concetto di substitutional adaptation

16 Substitutional Adaptation
Dato che il caso corrente e quello recuperato sono diversi, la basa dei casi potrebbe contenere altre coppie di casi con le stesse (o simili) differenze Questi casi agiscono da rappresentanti del caso corrente (Ccr) e di quello recuperato (Rcr) La differenza tra le soluzioni dei rappresentanti (vettore vi) dà un’indicazione di come modificare la soluzione del caso recuperato Rc per risolvere il caso corrente Cc (vettore v’) v’ è un’aggregazione delle differenze v1, ..., vn,, tra le soluzione associate a Ccr e Rcr

17 PROGETTO P-RACE Un approccio basato sulla conoscenza per supportare il processo decisionale del Race Engineer L.Int.Ar Dipartimento di Informatica, Sistemistica e Comunicazione Università di Milano - Bicocca

18 OBIETTIVO DEL PROGETTO
Sviluppare un sistema di supporto alle decisioni riguardanti la progettazione e l’utilizzo della mescola giusta per partecipare ad una gara (e vincere)

19 CONDIZIONI AMBIENTALI
FONDO STRADALE DISEGNO BATTISTRADA DATI TELEMETRICI ASSETTO VETTURA DATI STORICI CIRCUITI CONDIZIONI AMBIENTALI CONCORRENTI punti deboli e di forza

20 RELAZIONE TRA MODIFICHE, PROPRIETÀ CHIMICO-FISICHE E PERFORMANCE
CHIMICA DEI MATERIALI RELAZIONE TRA MODIFICHE, PROPRIETÀ CHIMICO-FISICHE E PERFORMANCE RUOLO, INFLUENZE E RELAZIONI TRA INGREDIENTI ASSOCIAZIONI MESCOLA/PERFORMANCE

21 ACQUISIZIONE KNOWLEDGE ENGINEERING
Race Engineer CONOSCENZA EPISODICA Compound Designer CASO PASSATO Riutilizzo NUOVO CASO Innovazione Creazione

22 UTILIZZO ARCHITETTURA
Modulo fuzzy Base dei casi Recupero dei casi Nuova soluzione Motore CBR Motore inferenziale Abstract Compound Model

23 INTERFACCIA del RACE ENGINEER
UTILIZZO INTERFACCIA del RACE ENGINEER

24 Similarity Computation
fc = (f1c,..., fnc): case representation ft = (f1t,..., fnt) : target problem Two step process Initial Match: selects a subset of the Case Memory IM(CM, ft) = set of cases Ci such that sev_index(Ci)=sev_index(ft) Similarity Function: computes similarity between cases sim(ft, fc) = i=1..n[wi * SIM(fit, fic)]/i=1..nwi with wi = match_weight if SIM(fit, fic)<Threshold wi = no_match_weight if SIM(fit, fic)>Threshold wi = no_value_weight if fit or fic is unknown SIM(fit, x): gaussian curve with mean value fit and given standard deviation  Similarity Computation