INTELIGÊNCIA ARTIFICIAL:

UMA INTRODUÇÃO AO RACIOCÍNIO BASEADO EM

CASOS

RIO DE JANEIRO
2011
 Santos, Márcio Pulcinelli dos

Inteligência Artificial – Uma Introdução ao

Raciocínio Baseado em Casos / Márcio Pulcinelli dos Santos.
 AGRADECIMENTOS

Agradeço a todos, que de alguma forma, influenciam constantemente o meu

crescimento como ser humano e como profissional.

Agradeço aos esforços e curiosidade de todos os cientistas na tentativa de

desvendar cada mistério e fenômeno existente em nossas quatro dimensões
de tempo e espaço.
“Seja a mudança que você deseja ver no

mundo.”
Dalai Lama
 RESUMO
Com a evolução do poder de processamento dos computadores, tem se visto o
surgimento de mais e mais sistemas especialistas em diversos ramos da
ciência. Levando em conta a Lei de Moore, podemos dizer que o poder de
processamento dos computadores atuais tem evoluindo enormemente, mas
acredito que haverá um declínio nesta lei tendo em vista novos tipos e
formatos de processamento e pesquisas principalmente na área da
computação quântica com a utilização da superposição quântica e o
emaranhamento quântico.

O presente trabalho tem como objetivo proporcionar uma introdução ao

Raciocínio Baseado em Casos (RBC), assim como os processos
característicos do RBC, ou seja, os elementos basilares da ferramenta de
raciocínio da inteligência artificial, e ainda tem como objetivo apresentar um
pouco da história do Raciocínio Baseado em Casos (RBC).
 SUMÁRIO

1.O QUE É O RACIOCÍNIO BASEADO EM CASOS?

2.HISTÓRICO
3.CONSIDERAÇÕES
4.ELEMENTOS BÁSICOS
5.PRINCIPAIS ETAPAS DO CÍCLO DE UM SISTEMA RBC
5.1.CASOS
5.1.REPRESENTAÇÃO DOS CASOS
5.1.RECUPERAÇÃO DOS CASOS
5.2.SIMILARIDADE
5.3.APRENDIZAGEM
6.CONCLUSÃO
1.O QUE É O RACIOCÍNIO BASEADO EM CASOS?

O objetivo deste trabalho é apresentar as bases que formam o

RBC. Sendo assim, o que seria Raciocínio Baseado em Casos ou RBC?
Segundo Fernandes (2003) Raciocínio Baseado em Casos (RBC)
é uma ferramenta de raciocínio da inteligência Artificial. A filosofia básica
desta técnica é a de buscar a solução para uma situação atual através da
comparação com uma experiência passada semelhante.
Para visualizarmos de forma mais clara o processo característico
do RBC, o primeiro passo é identificar de forma adequada o problema com o
qual queremos trabalhar, em seguida buscar a partir algum tipo de memória a
experiência que mais se aproxima ao nosso problema e por fim aplicar o
conhecimento desta experiência passada no nosso problema atual.
Para que isso possa acontecer, existe um processo que deve ser
seguido e que conta com os passos abaixo:
1 - Identificação de um problema a ser resolvido (problema de
entrada);
2 - Definição das principais características que identificam este
problema;
3 - Busca e recuperação na memória de casos com características similares;
4 - Seleção de um ou mais dentre os casos recuperados;

5 - Revisão deste(s) caso(s) para determinar a necessidade de adaptação;

6 - Reutilização do caso adaptado para resolver o problema de entrada;

7 - Avaliação da solução do problema de entrada;

8 - Inclusão do caso adaptado na memória de casos (aprendizagem).

 É importante ressaltar que cada vez que o ser humano se encontra
com um problema, qualquer que seja ele, a atitude é sempre resolvê-lo da
forma que seja a mais ajustada ou a mais veloz. Ou seja, lança-se mão da
inteligência humana permitindo tomar a decisão mais acertada para executar
uma determinada tarefa. E muitas vezes faz-se necessário utilizar
experiências vividas anteriormente, pois o mesmo problema se repete. Desta
forma, tomasse a mesma atitude em caso de sucesso ou não em caso de
insucesso.
Raciocínio Baseado em Casos é um enfoque para a solução de
problemas e para o aprendizado baseado em experiência passada. RBC
resolve problemas ao recuperar e adaptar experiências passadas - chamadas
casos - armazenadas em uma base de casos. Um novo problema é resolvido
com base na adaptação de soluções de problemas similares já conhecidas.
(von Wangenheim, 2003).
RBC é um novo paradigma para a resolução de problemas em que
muitos aspectos diferem de forma fundamental de outros enfoques da
Inteligência Artificial (Aamod; Plaza, 1994 APUD von Wangenheim, 2003).
O que acontece é que o RBC tem a capacidade de utilizar o conhecimento
específico de soluções de problema que ocorreram anteriormente. E para
estes, são dados o nome de casos.

2.HISTÓRICO

De acordo com o autor (Lagemann, 1998 apud Fernandes, 2003)

“[...] a origem do Raciocínio Baseado em Casos data de 1977, devido a uma
pesquisa na área da ciência cognitiva, desenvolvida por Schank e Abelson. O
desenvolvimento do RBC foi estimulado pelo desejo de compreender como
as pessoas conseguem recuperar informações e que as mesmas,
frequentemente, resolvem problemas lembrando-se de como solucionaram
casos similares no passado [...]”.
O primeiro sistema que pode ser considerado de RBC é o
CYRUS, desenvolvido por Janet Kolodner. Este sistema foi baseado no
modelo de memória dinâmica de Schank e na teoria dos MOP's para
aprendizagem e solução de problema (TEIVE, 1997 APUD Fernandes,
2003).
O autor (Delpizzo, 1997 apud Fernandes, 2003) afirma que outro
marco dos sistemas de RBC foi o sistema PROTOS, desenvolvido por Bruces
Porter e sua equipe, na Universidade do Texas. O PROTOS evidencia o
conhecimento de casos específicos em uma estrutura representativa de casos
não definidos. Logo em seguida desenvolveu-se o Grebe, uma aplicação no
ramo da advocacia que combinou casos com conhecimento de domínio geral.
O Hypo, desenvolvido para interpretar uma situação na corte e produzir
argumento para ambas as partes, também teve sua importância na história dos
sistemas de RBC. Outro sistema famoso é o CASEY, criado por Phyllis
Kotton, com o intuito de otimizar a performance de sistemas baseados em
conhecimentos.
Segundo o autor (von Wangenheim, 2003) o RBC originou-se
através de modelos cognitivos. A Memória Dinâmica tem origem na tentativa
de se criar modelos cognitivos da solução de problemas e do aprendizado de
situações (Schank, 1982; Schank; Abelson, 1977 apud von Wangenheim,
2003) com base em memórias episódicas. Schank e Abelson propuseram que
nosso conhecimento geral acerca de situações fica gravado na memória como
roteiros que permitem que nós construamos expectativas sobre resultados
esperados de ações que planejamos e que façamos inferências sobre
relacionamentos causais entre ações.
3.CONSIDERAÇÕES

Os seres humanos são considerados grandes solucionadores de

problema. Muitas vezes resolvem problemas difíceis, apesar do
conhecimento limitado e incerto. Além disso, com a experiência adquirida, ao
desempenho deles melhora cada vez mais. Todas estas qualidades são
desejáveis em um sistema de Inteligência Artificial para o mundo real.
Portanto, existem boas razões para se utilizar RBC (LEAKE, 1996 APUD
Fernandes, 2003):
1 - Aquisição do conhecimento: o conhecimento presente em um
sistema de RBC fica armazenado na própria base de casos.
2 - Manutenção do conhecimento: um usuário do sistema pode ser
habilitado a adicionar novos casos na base de casos sem a intervenção do
especialista.
3 - Eficiência crescente na resolução de problemas: a reutilização
de soluções anteriores ajuda a incrementar a eficiência na resolução de
problemas. RBC armazena as soluções que não obtiveram sucesso, assim
como aquelas bem sucedidas. Isto faz com que eventuais insucessos sejam
evitados.
4 - Qualidade crescente nas soluções: quando os princípios de um
domínio não são bem conhecidos, regras não são a melhor solução. Nesta
situação, as soluções sugeridas pelos casos refletem o que realmente
aconteceu em uma determinada circunstância.
 5 - Aceitação do usuário: um dos pontos chave para o sucesso de
um sistema de IA é a aceitação do usuário. Os sistemas de RBC podem
comprovar o seu raciocínio, apresentando ao usuário os casos armazenados
na base. Este é um dos grandes problemas enfrentados por outras técnicas de
IA, como redes neurais.
O entendimento da técnica de Raciocínio Baseado em Casos,
conforme Koslosky (1999), está implícito em assumir alguns princípios da
natureza do mundo (Fernandes, 2003):
1 - Regularidade: como o mundo, na grande parte das vezes, é
regular, as ações executadas nas mesmas condições tendem a ter resultados
similares ou iguais. Dessa forma, soluções para problemas similares são
utilizáveis para iniciar a solução de outro.
2 - Tipicalidade: os tipos de problemas possuem a tendência de
repetir. As razões para as experiências serão, provavelmente, as mesmas para
futuras ocorrências.
3 - Consistência: mudanças pequenas ocorridas no mundo pedem
apenas pequenas mudanças na forma de interpretá-lo. Consequentemente,
exigem pequenas mudanças nas soluções de novos problemas.
4 - Facilidade de adaptação: as coisas não se repetem da mesma
forma. As diferenças possuem a tendência de serem pequenas, e pequenas
diferenças são fáceis de serem compensadas.
4.ELEMENTOS BÁSICOS

Para que possamos dar continuidade ao trabalho, é necessário

entender os elementos básicos do RBC. Sendo assim, os elementos básicos de
um sistema de RBC são (von Wangenheim, 2003):
Representação do Conhecimento: Em um sistema de RBC, o
conhecimento é representado principalmente em forma de casos que
descrevem experiências concretas. No entanto, se for necessário, também
outros tipos de conhecimento sobre o domínio de aplicação podem ser
armazenados em um sistema de RBC (por exemplo, casos abstratos e
generalizados, tipos de dados, modelos de objetos usados como informação).
Medida de Similaridade: Temos de ser capazes de encontrar um
caso relevante para o problema atual na base de casos e responder à pergunta
quando um caso relembrado for similar a um novo problema.
Adaptação: Situações passadas representadas como casos
dificilmente serão idênticas às do problema atual. Sistemas de RBC
avançados têm mecanismos e conhecimento para adaptar os casos
recuperados completamente, para verificar se satisfazem às características da
situação presente.
Aprendizado: Para que um sistema se mantenha atualizado e
evolua continuamente, sempre que ele resolver um problema com sucesso,
deverá ser capaz de lembrar dessa situação no futuro como mais um novo
caso.
 Modelo básico do enfoque RBC.

A principal configuração de representação de conhecimento em

um sistema de RBC são os casos. Um caso é uma peça de conhecimento
contextualizado que registra um episódio em que um problema ou situação
problemática foi total ou parcialmente resolvido.
Um caso representa a descrição de uma situação (um determinado
problema) conjuntamente com as experiências adquiridas (determinadas
solução) durante a sua resolução, sendo visto como essa associação dos dois
conjuntos de informações: descrição do problema e a referente solução.
Abaixo apresento uma ilustração simplificada de um caso:

Exemplo simplificado de um caso (von Wangenheim, 2003).

Casos representam experiências concretas, Casos podem, por

exemplo, representar: o conjunto dos sintomas de um paciente e os passos do
tratamento médico aplicado; a descrição dos sintomas do defeito técnico
apresentado por um equipamento (por exemplo: uma impressora) e da
estratégia de conserto aplicada; os objetivos de um processo legal e a
respectiva jurisprudência; os requisitos para um prédio e sua respectiva planta
de construção; a descrição de um pacote de viagem.
Um caso pode também conter outros itens, como os efeitos da
aplicação da solução ou a justificativa para aquela solução e sua respectiva
explicação (Kolodner, 1993 apud von Wangenheim, 2003). Pode ainda ser
enriquecido por dados administrativos, como o número do caso, a data de sua
criação ou o nome do engenheiro de conhecimento que o incorporou à base.
Casos contêm primordialmente experiências concretas, vividas
em uma situação específica. No entanto, podemos também criar casos
abstratos, que realizam a subsunção de experiências adquiridas em um
conjunto de situações (Bergman, 1996 apud von Wangenheim, 2003).
5.PRINCIPAIS ETAPAS DO CÍCLO DE UM SISTEMA RBC

Segundo (Lee, 1998 apud Fernandes, 2003), o desenvolvimento

de um sistema de RBC utiliza as etapas de representação dos casos,
indexação, recuperação, ajuste da situação e aprendizagem. Em (Buta, 1997
apud Fernandes, 2003), é descrito o desenvolvimento de um sistema de RBC
nas seguintes etapas - representação dos casos, indexação, recuperação,
adaptação, aplicação e manutenção.
O processo de desenvolvimento de um sistema de RBC em
qualquer campo é uma tarefa iterativa e não se adequa em uma metodologia
universal.
A imagem abaixo apresenta o ciclo de RBC segundo Lee (1998).

Ciclo de RBC – Adaptação de Lee (1998)

5.1.CASOS

Seria impossível falar sobre RBC sem apresentar uma descrição

do que são casos para o RBC.
Caso é a forma de conhecimento contextualizado representando
uma experiência que ensina uma lição útil. As lições úteis podem ser
definidas como aquelas que têm o potencial para ajudar o raciocinador a
alcançar uma meta ou um conjunto de metas ou advertem sobre a
possibilidade de uma falha ou apontam para um problema futuro
(KOLODNER, 1993 apud Fernandes, 2003).
Segundo Buta (1997) (apud Fernandes 2003), um caso é uma
abstração de uma experiência, que deve estar descrita em termos de conteúdo
e contexto. Estas experiências precisam ser organizadas em unidades bem
definidas, formando a base de raciocínio ou memória de casos. Os casos
representam o próprio conhecimento presente no sistema.
Para Kolodner (1993) (apud Fernandes 2003), um caso possui três
partes, assim descritas:
1 - Descrição do problema, que mostra o estado da "situação"
de quando o caso aconteceu, com a representação do problema. Engloba:
a. Metas a serem alcançadas na solução do problema.
b. Restrições contidas nestas metas.
c. Características e relações entre as partes da situação.
2 - Solução do problema identificado na descrição do mesmo,
sendo os componentes das soluções:
a. A solução propriamente dita.
b. Passos necessários para a resolução do problema.
c. Justificativas do porquê das decisões tomadas na resolução
 do problema.
d. Soluções possíveis que não foram escolhidas (soluções
alternativas) ou soluções que foram excluídas por não serem
aceitáveis.
e. Expectativas dos resultados.
3 - Resultado da aplicação, sendo seus componentes:
a. O próprio resultado.
b. Se o resultado preencheu ou violou as expectativas.
c. O resultado foi sucesso ou falha.
d. Explicação da violação da expectativa ou da falha.
e. Estratégia para reparo que poderia evitar um problema.
f. Apontar para uma provável próxima solução.

Uma experiência vivida pela primeira vez é um caso. Nas demais

vezes que for executada a mesma tarefa, é intuitivo que se use aquilo que foi
aprendido na primeira vez, tornando-se uma rotina e deixando de ser um
caso.
5.2.REPRESENTAÇÃO DOS CASOS

Lee (1996) (apud Fernandes 2003) diz que a representação dos

casos é a representação do conhecimento. Há alguns momentos em que
algum conhecimento especialista é representado em RBC, no entanto, nos
casos é que está contido o conhecimento que servirá para sugerir uma solução
para o problema.
Para Fernandes (2003) o problema na representação de
Raciocínio Baseado em Casos é, essencialmente, o que se deve guardar de
um caso, a estrutura apropriada para a descrição do mesmo e como a
memória de casos deve ser organizada e indexada para efetuar-se
satisfatoriamente a recuperação e reutilização.
Para von Wangenheim (2003) a representação de conhecimento
escolhida define os formalismos com os quais será formulado o
conhecimento para solução de problemas do sistema. No contexto do enfoque
de RBC esta pode perseguir uma série de objetivos diferentes, tais como:
a. Definição das entidades do domínio de aplicação em
questão;
b. Descrição das dependências e relacionamentos entre
entidades do domínio;
c. Manutenção/replicação da estrutura do domínio de
aplicação;
d. Prevenção da representação redundante de conhecimento;
e. Suporte à definição da similaridade e adaptação de soluções.

Von Wangenheim (2003) informa que qualquer representação

necessita de uma linguagem definida, para a qual pelo menos sintaxe e
semântica devem estar definidas.
Para o contexto do Raciocínio Baseado em Casos, podemos usar
diversos tipos de linguagens ou formalismos para a representação de padrões
de casos, como grafos ainda ou representações atributo-valor. É importante
ressaltar que o conjunto de atributos pode ser fixo para todos os casos na base
de casos, ou pode variar entre casos individuais.
5.3.RECUPERAÇÃO DOS CASOS

Koslosky (1999) (apud Fernandes 2003) coloca que o objetivo

desta etapa é a recuperação dos casos que venham auxiliar o raciocínio
produzido nos passos seguintes. A recuperação é realizada utilizando-se as
características do novo caso, que serão relevantes na solução de um
problema.
A recuperação é a etapa em que é disparada uma função para
recuperar os casos similares. Esta função pode utilizar uma métrica, métodos
de classificação, e requer que um limiar seja estabelecido para recuperar os
casos que ultrapassem esse limite, ou um limite de casos que possam ser
recuperados.
A recuperação iniciará com uma descrição do problema e
encerrará quando for encontrado o melhor caso. Esta tarefa divide-se em:
a. Identificação das características: informa ao sistema quais as
características do caso atual.
b. Unificação inicial: recupera um conjunto de candidatos
possíveis.
c. Busca: processo mais elaborado que irá selecionar qual o
melhor candidato entre os casos recuperados no casamento
inicial.
d. Seleção: os casos são ordenados conforme algum critério ou
de acordo com a métrica de classificação, sendo o caso que
possui a mais forte similaridade com o novo problema escolhido.
Três fatores são fundamentais na etapa de recuperação:
a. Eficiência: velocidade de recuperação dos casos pelo
sistema.
 b. Precisão: grau de casos recuperados que podem ser
utilizados para alcançar o objetivo proposto.
c. Flexibilidade: grau de recuperação de casos para raciocínios
inesperados.

Kolodner (1993) (apud Fernandes 2003) afirma que as seguintes

definições sobre Raciocínio Baseado em Casos devem ser colocadas:
a. Descritor: atributo-valor utilizado na descrição de um caso.
Podem descrever aspectos do problema ou da situação, solução
ou resultado. Ex.: idade - 72.
b. Dimensão: refere-se à parte atributo do descritor.
c. Característica: usando tanto como descritor (a maior parte
das vezes) como dimensão.
5.4.SIMILARIDADE

Similaridade é o ponto crucial do RBC, pois todo raciocínio que

dá fundamento a esta técnica encontra-se aqui. A avaliação da similaridade
do caso a ser solucionado se faz comparando-se com os casos candidatos,
sendo o que torna um caso similar a outro é a semelhança das características
que irão representar realmente o conteúdo e o contexto da experiência
(DELPIZZO, 1997 apud Fernandes 2003).
Similaridade é um conceito genérico e mal definido, sendo
influenciado por fatores subjetivos, e afirma que objetivos diferenciados
devem invocar tipos de similaridades diferentes (Fernandes 2003).
Uma das hipóteses básicas de sistemas de RBC é que problemas
similares possuem soluções similares. Com base nesta hipótese, o critério a
posteriori da utilidade de soluções passa a ser reduzido ao critério a priori
similaridade de descrições de problema. Esta forma de se proceder é
justificada pela premissa de que, em muitas aplicações, a similaridade de
definições de problemas implica a aplicabilidade da solução de um sobre
outro (von Wangenheim, 2003).
Segundo von Wangenheim (2003) a eficácia de enfoques
baseados em casos depende essencialmente, da escolha de um conceito de
similaridade adequado para o domínio de aplicação e a estrutura dos casos
usados. Este conceito de similaridade deveria permitir a estimativa da
utilidade de um caso com base na similaridade observada entre a descrição do
problema atual e a contida no caso.
De acordo com Aamodt e Plaza (1999) (apud Fernandes 2003), a
avaliação da similaridade se subdivide em dois grupos:
a. Similaridade Sintática: é a mais superficial, sendo os
 atributos comparados por sua semelhança sintática. Whitaker
propôs avaliar por categorias, tais como sinônimos, categorias
ordinais, análise de perfil, “clusterização” e qualificadores. A
avaliação dos atributos pode ser feita de diversas maneiras,
dependendo somente da natureza das dimensões.
b. Similaridade Semântica: é uma avaliação mais profunda,
que abrange o significado dos casos e compara um com o outro.
Thagard e Holyoak (epud LEE, 1996) expõe uma abordagem
para comparar semanticamente os casos, com base em um
sistema de referência léxica com uma estrutura de 30 mil
palavras hierarquicamente.
Reis e Cargnin (1997) (apud Fernandes, 2003) propõem quatro
níveis de similaridade:
a. Similaridade Semântica: conhecida por similaridade
superficial, pois não leva em conta fatores contextuais. É um
tipo de similaridade simples, referindo-se aos atributos que são
sintaticamente idênticos em duas situações.
b. Similaridade Estrutural: é mais complexa que a anterior,
tendo como exigência principal a consistência estrutural à
existência da ligação dos casos a um dos nós conceitos.
c. Similaridade Organizacional: tem relação com a
similaridade imposta a casos armazenados em lugares próximos
na memória de casos.
d. Similaridade Pragmática: duas partes serão
pragmaticamente similares se ocuparem funções similares em
suas respectivas situações.
Os métodos de recuperação, conforme Lee (1996) (apud
Fernandes, 2003), dividem-se em:
a. Métodos Numéricos: utilizam-se de uma função numérica
para medir o grau de similaridade entre dois casos, sendo
conhecidos por Métrica de Similaridade.
b. Métodos Eliminatórios: são aqueles "que utilizam restrições
para reduzir o espaço solução da busca por casos similares na
memória de casos". Podem ser combinados com outros métodos,
sendo também uma boa escolha para sistemas que se propõe a
resolver tarefas distintas, possuindo memórias formadas com
várias bases de casos.
c. Métodos de Classificação: é apropriada para sistemas em
que a memória é classificada em categorias. Pode ser
implementado através da clusterização de todos os casos da
memória, ou pode-se buscar os casos somente dentro de uma
categoria.
Para finalizar este tópico de similaridades, Lee (1996) (apud
Fernandes, 2003) ainda classifica os tipos de busca em três:
a. Busca Direta: é aquela que avalia diretamente as
características indexadas do caso.
b. Busca numa estrutura de índices: é aquela realizada numa
estrutura de índices gerada a partir dos casos.
c. Busca além domínio: transcende o conhecimento da base de
casos e procura casos similares em outra base de casos que
proporcione um conhecimento maior.
5.5.APRENDIZAGEM

Para finalizar este trabalho, será abordada a questão da

aprendizagem no que tange a utilização do RBC.
A aprendizagem se dá através da retenção de novos casos na base
de dados de casos do sistema RBC.
Segundo von Wangenheim (2003) retenção de casos é o processo
de incorporação, ao conhecimento já existente, daquilo que é útil de um novo
episódio de solução de um problema. O objetivo de se reter continuamente
conhecimento toda vez que um novo problema é resolvido é o de
constantemente atualizar e estender a base de casos. Isto permite a um
sistema de RBC continuamente incrementar seu conhecimento e tornar-se um
solucionador de problemas mais poderoso, com o passar do tempo e sua
utilização.
Ainda segundo von Wangenheim (2003) A retenção automática
de novo conhecimento em RBC, quando for além do simples armazenamento
de um caso cuja solução foi confirmada como correta, utiliza técnicas de
Aprendizado de Máquina.
Abaixo descrevo os três principais tipos de retenção em sistemas
do tipo RBC.
a. Sem retenção de casos. Os sistemas de RBC mais simples
desconsideram a inclusão automática de novo conhecimento na
base de casos. Este tipo de sistema é aplicado principalmente em
domínios de aplicação bem compreendidos, que podem ser
modelados de forma satisfatória já durante o desenvolvimento
do sistema de RBC, fazendo desnecessária a inclusão de novos
casos para que o refinamento da performance do sistema ocorra.
Por exemplo, tome um sistema para o diagnóstico de problemas
em uma determinada linha de modelos de carros, o que deverá
ser um domínio bem conhecido. Durante o desenvolvimento
inicial deste sistema, casos prototípicos representando os
conjuntos de sintomas de todos os defeitos relevantes neste
domínio de aplicação podem ser definidos, e assim o sistema
não necessitará incorporar novos casos à base durante a sua
operação.
b. Retenção de soluções de problemas. Uma forma de
aprendizado típica de RBC é aquela integrada ao processo de
solução de novos problemas. Assim que um novo problema é
resolvido, a experiência é retida de forma a auxiliar na solução
de problemas similares no futuro. Dessa forma, sempre que um
novo problema é resolvido, este pode ser incorporado à base de
casos como novo caso. Em um sistema de help desk, por
exemplo, cada novo cliente atendido de forma satisfatória faz
com que o episódio seja armazenado para auxiliar no
atendimento de solicitações futuras e ajudar a aumentar o
conhecimento específico no domínio de aplicação em que o
sistema está sendo utilizado. Esta forma de aprendizado é uma
das maiores vantagens específicas do RBC, pois o aprendizado e
a aplicação do conhecimento aprendido não são separados de
forma estrita, mas sim integrados. Alguns sistemas de RBC,
como JULIA (Hinrichs, 92 apud von Wangenheim, 2003) ou
CHEF (Hammond, 86 apud von Wangenheim, 2003) também
retêm casos representando tentativas de solução de problemas
que falharam, para permitir que se evite utilizar aquelas soluções
no futuro. Podemos imaginar um exemplo em nosso domínio de
um sistema de diagnóstico de defeitos em impressoras. Toda vez
que um caso recuperado é adaptado para encaixar-se
completamente na nova situação (por exemplo, por meio da
substituição cartucho colorido -> cartucho preto), a nova
descrição de problema e a solução adaptada são armazenados
como um novo caso na base de casos: (problema: não imprime
texto preto; marca: Robotron; tipo: Matrix 600; causa: cartucho
de tinta preta vazio; conserto: troca do cartucho de tinta preta).
Outro exemplo pode ser dado no domínio de um sistema de
planejamento como CHEF, em que um novo caso é armazenado
descrevendo um novo prato (bife com brócolis) e, na solução,
descrevendo a substituição dos ingredientes e consequentes
modificações na forma de preparo. Aqui, a retenção de novos
casos pode ser realizada por métodos de força bruta;
simplesmente, todo caso solucionado com sucesso é armazenado
na base de casos e seus índices são atualizados, ou então por
meio de técnicas inteligentes, quando ocorre uma filtragem e
avaliação do conhecimento a ser adquirido em cada novo caso.
c. Retenção de documentos. Outro tipo de retenção é
praticada em sistemas de RBC em que o novo conhecimento é
adquirido de forma assíncrona ao processo de solução de
problemas. Aqui o conhecimento é adquirido de forma
independente da operação do sistema, sempre que se encontrar
disponível, como, por exemplo, documentos em um sistema de
gerência do conhecimento (C. Greese von Wangenheim; D.
Lichtnow; A. von Wangenheim, 2001) ou descrições de novos
produtos em um sistema de comércio eletrônico, etc. Aqui, a
fase de retenção de casos é separada do processe de solução de
problemas, estando à retenção dependente da disponibilidade de
 novos conhecimentos sobre o domínio de aplicação, que são
adicionados quando disponíveis. No caso de um sistema de
suporte à decisão na área jurídica, por exemplo, nova
jurisprudência pode ser adicionada à base de casos assim que
estiver disponível. Em um sistema de vendas online de pacotes
de viagem, sempre que as operadoras lançam novos pacotes ou
as companhias aéreas modificam seus planos de voo da baixa
para a alta temporada, a base de casos tem de ser atualizada.
Lagemann (1998) (apud Fernandes, 2003) informa que a
aprendizagem, em um sistema de Raciocínio Baseado em Casos acontece,
principalmente, ao acumular-se novas experiências na memória do mesmo e
da correta indexação dos problemas. Um sistema de RBC somente será
eficiente ao conseguir aprender através de experiências passadas e correta
indexação dos problemas.
Conforme Reis e Cargnin (1997) (apud Fernandes 2003), trata-se
de incorporar o que é útil do problema resolvido. Após passar pela avaliação
e possíveis reparos que sejam necessários, faz-se o aprendizado em cima do
sucesso ou das falhas da solução proposta.
Os casos passados, de acordo com Koslosky (1999) (apud
Fernandes 2003), fazem com que o RBC tome decisões e aprendam com suas
experiências de três formas:
a. Generalização e especialização.
b. Pesquisa restringida.
c. Avaliação comparativa.
Leake (apud KOSLOSKY, 1999) informa que a aprendizagem dá
se no ato da inclusão do caso adaptado, reutilizado e avaliado na base. A
etapa de avaliação se dá de duas formas: pode ser de execução automática ou
com a participação do usuário. Na etapa de avaliação da solução adequada do
problema de entrada que se observa a qualidade da solução, com o objetivo
de definir se tem condições de esta ser adicionada ou não na memória.
Segundo Fernandes (2003) o sistema de RBC consegue aprender
por suas experiências, o que pode ser muito útil em experiências onde a
aprendizagem é ponto crucial para a solução. O aproveitamento de soluções
passadas para resolução de novos problemas, antecipando e evitando erros
cometidos melhora e muito a qualidade da solução. O aprendizado acontece
como subproduto do raciocínio, sendo no armazenamento de novas
experiências na memória de casos e sua disponibilização para futuros casos,
ou na informação e análise das falhas, armazenando-as para evitar novas
falhas no futuro.

6.CONCLUSÃO
Como não poderia deixar de ser, os sistemas fundamentados em
Raciocínio Baseado em Casos fazem larga a utilização do conhecimento
especialista no apoio a decisões em diversas áreas, devido à compatibilidade
natural desses sistemas com os sistemas de banco de dados de diversas áreas.
Para a utilização dessa técnica, a limitação mais evidente fica a
cargo do acesso às bases de dados completas, corretas e confiáveis que
apresentem entre as informações armazenadas, a descrição completa de
problemas e das soluções que foram aplicadas em algum momento. Estas
informações geram as bases do RBC dando subsídios corretamente alinhados
às soluções de cada problema abordado.
Conclui-se então que a utilização da técnica de RBC pode
contribuir de forma qualitativa para a solução de problemas em diversas áreas
uma vez que lança mão de um aprendizado ininterrupto conforme já
mencionado neste trabalho.
 REFERÊNCIAS

· Raciocínio Baseado em Casos

(Christiane Gresse von Wangenheim, Aldo von Wangenheim, 2003).
· Inteligência Artificial – Noções Gerais
(Anita Maria da Rocha Fernandes, 2003).
· Datamining
(Luís Alfredo Vidal de Carvalho, 2005).
· Introdução a Organização de Computadores
(Mário A. Monteiro, 2007).
· Estruturas de Dados e Seus Algoritmos
(Jayme Luiz Szwarefiter, Lilian Markenzon, 1994).
· Matemática Discreta – Uma Introdução
(Edward R. Scheinerman, 2001).
· Iniciação a Lógica Matemática
(Edgar de Alencar Filho, 2002).