Case-Based Reasoning,CBR,CBR역사,CBR개념,CBR원리,CBR구성,CBR구조,CBR절차,CBR장단점,CBR고려사항,CBR응용

1. Case-Based Reasoning 역사

2. Case-Based Reasoning 개념 및 원리

3. Case-Based Reasoning 기본 가정

4. Case-Based Reasoning 구성 및 구조

5. Case-Based Reasoning 절차

6. Case-Based Reasoning 고려사항

7. Case-Based Reasoning 장단점

8. Case-Based Reasoning 응용

9. Case-Base Reasoning 응용 사례 1,2,3

10. 참고 문헌

1. Case-Based Reasoning 역사

CBR 은 1980 년대 초에 예일대학에서 Roger Schank 와 그의 제자들의 작업에서 기원한다. Schank 의 Dynamic Memory 는 최초의 CBR 시스템들 즉 Janet Kolodner 의 CYRUS 와 Michael Lebowitz 의 IPP 의 기초가 되었다. 법률추론에서의 CBR 과 같이, memory-based reasoning (대용량 병렬머신에서로부터 추론하는 방법), CBR 과 다른 추론방법의 조합, 등등의 CBR 의 분파 또는 밀접한 분야가 1980 년대에 등장하였다.

1990 년대에 CBR 에 대한 국제적 관심이 늘어 1995 년에 International Conference on Case-Based Reasoning (ICCBR) 이 설립되었다. CBR 기술은 가장 초기의 Lockheed 의 CLAVIER (산업용 오븐에 굽기위해 복잡한 부분을 레이아웃 하는 시스템) 과 같은 많은 성공적인 시스템들이 출시되었다. CBR 은 Compaq SMART 시스템과 같은 help-desk 응용에서 광범위하게 사용되어 왔다. CBR 의사결정 지원 툴들이 상업적으로 이용가능한데, eGain (이전의 Inference Corporation) 의 k-Commerce 와 Kaidara (이전의 AcknoSoft) 의 Kaidara Advisor 등이 있다.

2. Case-Based Reasoning 개념 및 원리

사례기반 추론(Case-based Reasoning)은 인간이 과거 경험에 비추어 사물을 인식한다는 점에 착안하여 나타난 인공지능의 한 분야이며, 과거에 문제를 풀었던 경험을 새로운 문제에 적용하여 해결책을 제시하는 시스템으로 정의할 수 있다.

사례기반 추론에 대한 정의를 조금 더 살펴보면, Kolodner(1993)는 사례기반 추론이란 새로운 요구에 대응하는 과거의 해답을 채택하거나, 과거의 사례를 이용하여 새로운 상황을 설명하거나, 과거의 사례로 새 해답을 평가하거나, 또는 새로운 상황을 이해하기 위해서나 새로운 문제에 대한 적당한 해답을 만들기 위해 선례로부터 추정하는 것을 의미한다 하였다. 또한 Turban(1992)은 사례기반 추론은 문제해결에 필요한 일정한 규칙을 찾기 힘든 문제의 영역에 적절한 것으로 판명되고 있으며, 특히 과거의 경험으로부터 효과적인 의사결정을 이끌어낼 수 있는 경우에 매우 효과적인 문제해결 방법론이라고 하였다.

사례기반 추론(CBR)은 유사한 문제에 대한 과거의 성공적인 해(Solution)를 변용하여 새로운 문제를 해결하는 지식을 획득하고자 하는 것으로써, 양역이 규칙을 통해 정형적으로 표현될 수 없는 경우, 또는 무제영역의 업무가 과거 경험으로부터 효과를 볼 수 있는 경우에 사용되는 추론 기법이다. 한편, 건설 산업의 특성상 프로젝트의 제반환경에 따라 수행하여야 할 업무내용과 발생할 수 있는 문제점도 동적인 속성일 지니게 되므로, 이를 효율적으로 관리하기 위해서는 유사한 상황의 과거사례를 활용하는 것이 유리하다.

이러한 사례기반 추론은 문제해결 패러다임이라고 하는 점에서 근본적으로 다른 AI 분야의 접근법과 다르다. 문제 영역의 일반적인 지식에 전적으로 의존하거나 문제 기술과 결론간의 일반적 관계를 따라 연관을 맺기보다 과거 사례의 구체적 지식과 구체적 문제 상황을 이용한다. 즉, “새로운 요구에 부응하기 위해 과거 해를 적용하고, 새로운 상황을 설명하기 위해 과거 사례를 이용하거나, 새로운 상황을 해석하거나 새로운 문제에 대한 동등한 해결책을 만들기 위해 과거 사례로부터 추론하는 것이다.

CBR의 등장배경에 관한 이해를 돕기 위해 우선 규칙기반 시스템에 대한 설명을 하겠다.

전문가 시스템 또는 규칙기반 시스템(Rule-Based System : RS)은 인공지능 연구 분야에서 성공적인 것들 중 하나이다. 1970년대 최초로 세 개의 전통 시스템인 DENTAL, MYCIN, PROSPECTOR가 보고된 후 규칙기반 시스템의 구조도 약간 바뀌었다. 그러나 이처럼 여러 분야에서 규칙기반 시스템의 성공에도 불구하고 개발자들은 다음과 같은 몇 가지 문제에 직면하게 되었다.

- 지식 추출이 어렵고, 종종 지식획득 병목이 언급되고 있다.

- 지식기반 시스템을 개발할 때 특별한 요구에 맞게 개선하는 것이 어렵고, 종종 수년씩 걸린다.

- 모델기반으로 구현된 지식기반 시스템은 수행속도가 느리고, 대용량 데이터를 다루거나 접근하기 어렵다.

- 구현된 지식기반 시스템은 유지관리가 어렵다.

- 예외적인 사항에 대처하기 힘들다.

이러한 규칙기반 시스템들의 문제점을 해결하고자 여러 가지 대안적인 인공지능 기법들이 개발되었으며, 그 주요한 예가 인공신경망(Artificialneural Network)과 사례기반추론, 모델기반 추론(Model-Based Reasoning), 설명기반 추론(Explaination-

CBR의 기본 아이디어는 첫째, 한 번 발생한 상황은 다음에도 재발할 가능성이 많고, 둘째, 인간이 사고하는 과정에서 논리를 사용하지 않는다는 점에 그 기본적인 정당성을 두고 있다. 즉 인간은 현재의 어떤 문제가 발생하였을 때 이를 해결하기 위하여 기본적으로 과거에 있었던 현재와 비슷한 문제