Database Reference
In-Depth Information
CBR-Systeme, die mit kreativen Adaptionsheuristiken und ausgefeilten Er-
klarungsfahigkeiten ausgestattet sind, konnen in solchen Fallen ihre Fallbasis nicht
nur quantitativ vergroßern, sondern auch ihren Erfahrungshorizont erweitern. Wie
bereits mehrfach angedeutet, liefern besonders Fehlschlage - so unerwunscht sie
auch sein mogen - wertvolle Informationen. Dabei kann es notwendig sein, die In-
dizierung der Falle zu uberprufen und evtl. eine Reindizierung vorzunehmen.
Weiterhin kann ein CBR-System lernen, indem es die Aufnahme neuer Falle in
die Fallbasis nach Aspekten der Effektivitat steuert. Wird unkontrolliert jeder neue
Fall aufgenommen, so kann es sein, dass die Effektivitat des Systems leidet, ohne
dass es die Fahigkeit wirklich neuer Schlussfolgerungen dazugewinnt.
Beispiel 6.24 (Diagnose)
Das CBR-System IVY (vgl. z.B. [119]), das Leber-
krankheiten anhand von Rontgenbildern diagnostiziert, nimmt nur solche Falle in
die Fallbasis auf, die es als nutzlich fur die Verbesserung seiner Fahigkeiten erkennt.
Dabei geht es folgendermaßen vor: Kann das System bei einem Fall keine eindeu-
tige Diagnose stellen, sondern nur mehrere Krankheiten als mogliche Diagnosen
angeben, so erzeugt es selbst ein Ziel, zwischen diesen Diagnosen differenzieren zu
konnen. Jeder neue Fall, der neue Information zur Differentialdiagnose liefert, wird
als signifikante Erweiterung erkannt und in die Fallbasis aufgenommen.
Daruber hinaus gibt es noch zahlreiche andere Arten, wie CBR-Systeme ihre
Fahigkeiten verbessern, also “lernen” konnen. Das PATDEX-System (vgl. Abschnitt
6.8.4) lernt z.B. durch Optimierung der Relevanzfaktoren, die es in seinen Ahnlich-
keitsmaßen verwendet. CBR-Systeme, die induktive Lernmethoden zum Aufbau
komplexer Strukturen fur die Fallbasis verwenden, lernen mit jedem neuen Fall
auch darin enthaltenes generisches Wissen, das sich in den gelernten Hierarchien
widerspiegelt.
6.11
Abschließende Bemerkungen und weiterfuhrende Li-
teratur
Das fallbasierte Schließen entstand in jungerer Zeit als eine ganz neue, vielver-
sprechende Methode zur Simulation menschlicher Schlussfolgerungen. Der ersten
Euphorie und den ersten durchschlagenden Erfolgen, z.B. mit dem System CLA-
VIER, folgte eine Phase der Ernuchterung und der realistischeren Betrachtungswei-
se. Das fallbasierte Schließen muss im Prinzip mit allen Problemstellungen fertig-
werden, mit denen sich auch andere KI-Methoden konfrontiert sehen, z.B. mit der
immer essentiellen Frage “Wie identifiziert man uberhaupt
wesentliche
Merkmale
und Beziehungen?” In [143] berichten einige der Beteiligten am Projekt CLAVIER
skeptisch und auch ein wenig enttauscht von ihren Erfahrungen mit der Konzep-
tion des Diagnose-Systems CABER, in dem sich die Realisation eines adaquaten
CBR-Prozesses als sehr viel schwieriger erwies als erwartet. Insbesondere stellten
sie fest, dass vorliegende Datenbanken nicht einfach als Fallbasen ubernommen wer-
den konnten, sondern muhevoll aufbereitet werden mussten (“
cases don't come for
free
”) - Wissensakquisition kann auch in fallbasierten Systemen ein Problem sein.
