Neste capítulo, apresenta-se a técnica de Raciocínio Baseado em Casos (RBC), como fundamentação teórica do desenvolvimento do sistema.
3.1. Evolução da Inteligência Artificial
Segundo Durkin (1994) Inteligência Artificial (IA) é o campo da ciência que tenta explicar a origem da natureza do conhecimento. Weber (1996) conceitua IA como um ramo da Ciência da Computação dedicado ao estudo das técnicas computacionais que representam algum aspecto da cognição humana.
A maioria dos especialistas concordam que a IA está baseada em duas idéias básicas: primeiro envolve o estudo do processo do pensamento humano (para entender o que é inteligência); segundo, trata com a representação destes processos via máquina (computador, robôs,etc.) (Turban, 1995).
Há aproximadamente 50 anos, dez cientistas pensavam que o computador seria capaz de fazer todo o trabalho para os homens, e que estes ficariam apenas envolvidos com atividades recreativas. Este pensamento assumia que o comportamento inteligente era baseado primariamente em técnicas de raciocínio insignificantes e que pessoas inteligentes poderiam facilmente imaginar técnicas para produzir programas inteligentes para computadores (Gevarter, 1984).
Nos anos 60, a Inteligência Artificial passou por várias fases: 1) tentativas de traduções com a máquina; 2) programas heurísticos (Slagle - 1961); 3) compreensão de linguagem natural que simulava uma psicoterapia não diretiva (Weizebaum - 1966); 4) resolução de quebras-cabeça/reconhecimento de padrões; 5) lógica computacional (Green 1966); 6) resolvedor de problemas genéricos - General Problem Solving - GPS (Newell - 1960).
Atualmente, tem sido crescente o interesse pela interdisciplinaridade em aplicações de Inteligência Artificial (IA). Periódicos, livros, artigos e conferências tem surgido em grande número, além de aplicações comerciais projetadas para alcançar milhões de dólares até o ano 2000 (Turban, 1995).
Existem diversas linhas de pesquisa e técnicas diferentes, dentro do campo da IA, tais como: Raciocínio Baseado em Casos (RBC); Sistemas Especialistas (SE); Redes Neuronais Artificiais; Sistemas Difusos; Algoritmos Genéticos; entre outras. Estas técnicas têm mudado constantemente a cada aplicação, a cada novo problema, tornando-se cada vez mais elaboradas, mais complexas, e naturalmente mais "inteligentes".
A tabela 5 fornece uma avaliação de quatro das técnicas de IA com respeito às cinco propriedades desejáveis (aprendizagem, adaptação, flexibilidade, explicação e descobertas):
Tabela 5: Comparação das Técnicas Inteligentes
|
|
|
|
|
|
|
| RBC | Ö Ö Ö Ö | Ö Ö Ö | Ö Ö Ö | Ö Ö Ö Ö Ö | Ö Ö |
| Sistemas Especialistas | Ö | Ö | Ö | Ö Ö Ö Ö Ö | Ö |
| Algoritmos Genéticos | Ö Ö Ö Ö Ö | Ö Ö Ö Ö | Ö Ö Ö Ö | Ö Ö Ö | Ö Ö Ö Ö Ö |
| Sistemas Difusos | Ö | Ö Ö Ö Ö Ö | Ö | Ö Ö Ö | Ö |
| Redes Neuronais | Ö Ö Ö Ö Ö | Ö Ö Ö Ö Ö | Ö Ö Ö Ö Ö | Ö | Ö Ö |
Foi através do trabalho pioneiro do DENDRAL na Universidade de Stanford, que em 1965 os cientistas começaram a desenvolver o primeiro trabalho chamado de Sistema Especialista. Os pesquisadores imaginaram que o comportamento inteligente seria dependente não somente dos métodos de raciocínio mas também do conhecimento. Esta ênfase no conhecimento permitiu os cientistas afirmarem que: "O conhecimento repousa sobre o poder" e o processo de construção da engenharia do conhecimento foi dado início. Isto também permitiu a conceituação do "sistema baseado no conhecimento ou sistema especialista" (Durkin, 1994).
Os componentes principais da estrutura do sistema especialista são: a base de conhecimento, a máquina de inferência e a memória de trabalho.
Por volta de 1970, a inteligência artificial tinha alcançado somente sucessos limitados. Em 1971, o relatório de Lighthill descobriu que "em nenhuma parte do campo da inteligência artificial as descobertas feitas são realmente rápidas para produzirem o impacto que foi prometido".
Mais tarde, grandes avanços foram sendo conquistados, vários sistemas surgiram, trazendo atividades como: processamento de linguagem, compreensão de discursos, técnicas de busca.
Na década de 80 houve uma proliferação de sistemas
especialistas e a entrada da inteligência artificial no âmbito
comercial. Mais de 130 empresas (American Express, Apple Computer, British
Airways, Microsoft, Xerox Corp., entre outras), já utilizavam Raciocínio
Baseado em Casos (Gevarter, 1984).
3.2. DEFINIÇÃO
DE RBC
Raciocínio Baseado em Casos (RBC) é uma ferramenta da Inteligência Artificial (IA), que utiliza conhecimento de experiências passadas para resolver problemas atuais (Kolodner, 1993; Leake, 1996; Weber, 1997). O paradigma que sustenta esta técnica, que em muitos aspectos é fundamentalmente diferente das outras técnicas de IA, é a capacidade de utilizar o conhecimento específico de uma experiência anterior para resolver uma situação nova. Um problema novo é resolvido buscando um caso que seja similar, e reutilizando-o para este novo caso. Uma segunda diferença importante é que RBC retém cada nova experiência resolvida , tornando-a imediatamente disponível para a resolução de problemas futuros (Plaza e Aamodt, 1994).
Muitas das inspirações originais para o desenvolvimento do RBC surgiram dos conceitos de memória do raciocínio humano (Schank, 1982). O entendimento da técnica de RBC está implícito em assumir alguns princípios da natureza do mundo:
1. Regularidade: O mundo é na maioria das vezes regular, as ações executadas nas mesmas condições tendem a ter os mesmos, ou similares, resultados. Consequentemente, soluções para problemas similares são utilizáveis para o início da resolução de outro (Leake, 1996).
2. Tipicalidade: os tipos de problemas tendem a repetir; as razões para as experiências são provavelmente as mesmas para as futuras ocorrências (Leake, 1996).
3. Consistência: Pequenas mudanças ocorridas no mundo requerem apenas pequenas mudanças na maneira como nós interpretamos o mundo, e consequentemente, pequenas mudanças nas soluções de novos problemas (Kolodner, 1993).
4. Facilidade de adaptação: As coisas não se repetem exatamente da mesma maneira; as diferenças tendem a ser pequenas e pequenas diferenças são fáceis para compensar (Kolodner, 1993).
As etapas abaixo descrevem o funcionamento de um sistema de RBC independentes de possíveis variações que possa assumir este sistema (Weber, 1997):
Pode-se simplificar a descrição a respeito de RBC como um processo cíclico compreendido por quatro "REs", conforme ilustra a figura 1:
1. Recuperação do caso mais similar;
2. Reutilização dos casos para resolver o novo problema;
3. Revisão (adaptação) da solução, se necessária;
4. Retenção (aprendizagem) da nova solução como um novo caso.
Kolodner e Leake (1996) colocam que se observarmos a maneira como as pessoas resolvem seus problemas, estaremos observando o RBC na prática. Os mesmos autores citam vários momentos onde aplicamos RBC no dia-a-dia: quando pedimos um tipo de carne no restaurante, estamos fazendo este pedido baseado em momentos anteriores que estivemos naquele restaurante; quando planejamos nossas atividades diárias, lembramos quais delas funcionaram ou não, e encima disto, criamos nossos planos. Quando as pessoas resolvem problemas, a segunda vez é sempre mais fácil que a primeira porque geralmente lembra-se e repete-se a mesma solução, com suas devidas características atuais, tentando evitar os erros cometidos na primeira vez.
Apesar de estar nos trabalhos de Roger Shank em 1977, a origem da técnica de RBC na IA (Watson, 1997), um dos primeiros sistemas a utilizar a técnica de RBC, foi o CYRUS (refer.), desenvolvido por Janet Kolodner em 1983. Roger Shank (1982) descreve a memória dinâmica e traz como regra central a importância das recordações de casos passados na resolução de problemas e aprendizagem. Outras correntes de pesquisa dentro do campo de RBC vêm de analogias, teorias de formação de conceitos, resolução de problemas e aprendizado experimental dentro da psicologia e da filosofia. (Plaza e Aamodt, 1994).
CYRUS era baseado no modelo de memória dinâmica de Shank, e foi desenvolvido a partir da teoria de "MOPS" (memory organization packets), que têm como idéia principal, a organização de casos específicos que possuam propriedades similares sobre estruturas mais generalizadas (Plaza e Aamodt, 1994).
Um outro sistema que utilizou a técnica de RBC foi o PROTOS, desenvolvido na Universidade do Texas por Bruces Porter e equipe. O PROTOS enfatizava o conhecimento de casos específicos dentro de uma estrutura de representação de um campo não definido. Depois, o GREBE, uma aplicação no domínio da lei combinou casos com conhecimento de domínios gerais. O HYPO, sistema desenvolvido para interpretar uma situação na corte e produzir argumentos para ambas as partes, foi uma outra contribuição significante para RBC. Para otimizar a performance em sistemas baseados em conhecimento, o CASEY foi criado por Phyllis Kotton do MIT (Plaza e Aamodt, 1994).
O caso é a entidade computacional onde as experiências são representadas e manipuladas dentro do contexto de um sistema de RBC (Weber, 1997). A experiência abstraída no caso deve estar descrita em termos de seu conteúdo e contexto (Kolodner, 1993). O caso pode assumir diferentes formas de representação. O exemplo mais simples de um caso é uma experiência descrita através de atributos devidamente valorados.
Um caso é uma parte contextualizada de um problema que representa uma valiosa experiência da qual podemos aproveitar o(s) seu(s) ensinamento(s) (Kolodner, 1993).
Kolodner e Leake (2) colocam que um caso pode ter diferentes formas e tamanhos, associando soluções com problemas, resultados com situações ou vice-versa: "se o que for diferente numa nova situação ensinar algo que não possa ser facilmente inferido do novo caso já gravado, então é útil gravá-lo como um novo caso".
Watson (1997) coloca que um caso é feito de dois componentes: a descrição do problema e a descrição da solução.
A descrição contida nos casos é uma interpretação da experiência no domínio da aplicação.
3.5. ETAPAS DE DESENVOLVIMENTO DE SISTEMA DE RBC
Deve-se salientar que as mesmas não devem ser planejadas isoladamente por estarem estreitamente relacionadas:
1. representação dos casos;
2. recuperação dos casos;
3. adaptação;
4. aprendizagem.
3.5.1. Representação dos Casos
Um caso é uma parte contextualizada de um problema que representa uma valiosa experiência de onde pode-se tirar boas lições no futuro. Um caso pode ser visto sob dois aspectos: o que ele pode ensinar e o contexto no qual ele se insere. Determinar o que é um caso, é o primeiro problema na modelagem do RBC (Weber, 1997). São os casos que contém elementos para que a solução do problema proposto seja alcançado.
Esta seção é composta por:
Þ Modelagem dos Casos
Þ Modelagem de Memória
Þ Indexação
3.5.1.1. Modelagem dos Casos
Na representação dos casos há dois componentes básicos: a descrição do problema e a descrição da solução. A descrição do problema é realizada através da atribuição de características que descrevem o problema de entrada. A descrição da solução consiste em determinar quais características descrevem a solução do caso, apontando a solução do problema de entrada e informando qual o resultado da aplicação desta solução ao problema de entrada (Weber, 1996).
3.5.1.2. Modelagem da Memória
A base de casos consiste na coleção de casos que representam a base de conhecimento de um sistema de RBC. A memória compreende a base de casos e os mecanismos de acesso dessa base a outros módulos da arquitetura do sistema (Kolodner, 1993).
Apesar de ser um dos primeiros modelos de representação de conhecimento de IA, o modelo de memória com o uso de redes semânticas não é capaz de representar o conhecimento em sua totalidade (Slade, 1991). Como conseqüência dos esforços dos psicólogos também interessados na busca de um modelo de representação, Tulving (1983) apresentou o modelo de memória episódica. No intuito de encontrar um paradigma capaz de representar o conhecimento, os pesquisadores de IA continuavam sua busca, com os melhores resultados, em termos de raciocínio analógico, sendo alcançados pela equipe de Roger Schank em Yale. Suas pesquisas desencadearam o desenvolvimento do modelo de memória conceitual. (Schank, 1982), dos scripts e posteriormente dos "MOPS", pacotes de organização de memória e do modelo de memória dinâmica (Schank, 1982).
Dentro do escopo de RBC, ao tratarmos de modelagem de memória existem dois aspectos que precisamos enfocar separadamente. O primeiro trata-se do tipo de filosofia de representação que um dado sistema simula, que pode ser, entre outros, memória episódica ou memória dinâmica. O segundo, utilizado quando pretende-se um enfoque de implementação (redes semânticas), a modelagem da memória trata da estrutura da organização adotada para os casos. (Weber, 1996).
3.5.1.2.1. Memória Prototípica
Um dos aspectos associados aos paradigmas em construção da memória, ou seja, da filosofia de representação da memória é a memória prototípica, que foi empregada primeiramente no sistema PROTOS desenvolvido por Porter e Bareiss (1986) para representar categorias de doenças auditivas. A memória prototípica é indicada especificamente para sistema que fazem classificação (Kolodner, 1993).
PROTOS representa uma experiência de aplicação de RBC que tem muita relevância porque ele se propõe a executar a tarefa de classificação, e esta tarefa é normalmente é indicada para ser representada através de sistemas conexionistas. O PROTOS teve uma performance comparativamente superior, representando que o RBC é capaz de ter uma performance tão boa ou melhor que sistemas conexionistas também para tarefa de classificação.
A memória prototípica é utilizada para classificar um novo caso de entrada dentro de uma das categorias representadas na mesma. Uma das suas vantagens refere-se a um incremento na velocidade da recuperação na medida que o primeiro associa-se o novo caso a sua categoria (ou protótipo) para posteriormente procurar o caso mais similar somente entre os casos associados a este protótipo.
Ainda, a memória prototípica consiste numa representação de conhecimento especialista condizente com a forma que este conhecimento é transmitido pelos mesmos, ou seja os especialistas normalmente transmitem informações sobre o seu domínio de conhecimento de forma abstrata e genérica; mesmo que este conhecimento tenha sido adquirido através de experiências (Heinisch et al, 1997).
Dentro do projeto o qual o presente trabalho se insere, a utilização do paradigma da memória prototípica visa, inicialmente, construir uma memória capaz de abranger o subdomínio de prescrição de Atividades Físicas contemplando o conjunto essencial de categorias de prescrições.
Outra vantagem do emprego desta memória é a possibilidade da construção de uma memória que, apesar de pequena consegue abranger um subdomínio por inteiro, podendo servir como base inicial para um sistema que cresça em robustez com o próprio uso.
3.5.1.3. Indexação
A indexação de casos é feita a partir de um conjunto de características que representam um caso. A função da indexação é orientar a avaliação da similaridade dos casos da base. Segundo Watson (1997), os índices devem:
Kolodner (1996) que dois aspectos devem ser enfocadas ao tratar os índices: o primeiro é definir o vocabulário e o segundo é como estes índices vão ser valorados.
O sucesso do vocabulário de índices é determinado pelo conhecimento do domínio que o especialista possui, portanto este processo pode ser considerado uma representação do conhecimento (Kolodner, 1996).
Segundo Weber (1997), o que realmente interessa na indexação é o seguinte: em função da tarefa, definir um índice, é definir sobre qual dimensão (ões) a (s) experiência (s) serão comparadas sob o enfoque do especialista.
Conforme Weber (1996), a partir de um problema a ser resolvido (problema de entrada), a etapa de recuperação consiste em fazer uma busca na memória de casos. A busca por casos é feita por algoritmos que selecionam casos com determinada similaridade com relação ao problema de entrada, e resulta na sugestão de um caso a ser reutilizado.
Destes, um caso é selecionado ou alguns casos são combinados para compor a sugestão para o problema de entrada. As tarefas envolvidas na etapa de recuperação de casos são:
Þ Avaliação e Métrica da Similaridade
Þ Recuperação
Þ Seleção
3.5.2.1. Avaliação e Métrica da Similaridade
A avaliação também é considerada conhecimento especialista no momento em que é o resultado do valor numérico dado para avaliar a similaridade entre os dois casos, número este que representa o conhecimento do especialista.
No momento em que se tem a avaliação, deve-se fazer uma segunda aquisição do conhecimento com o especialista para definição dos pesos. Assim, o especialista pode definir qual índice é mais importante. Neste momento, deve-se utilizar algumas heurísticas para fazer aquisição do conhecimento (Durkin, 1994), na tentativa de captar qual peso que vai ser suportado, até o momento em que todos os aspectos que envolvem a recuperação estão representando realmente o que o especialista deseja. Todas estas variáveis são interligadas e devem guiar desenvolvimento da métrica da similaridade.
Uma das maneiras de se fazer a aquisição do conhecimento com objetivo de saber o peso dos índices, é solicitar que o especialista faça uma lista em ordem de importância (Weber, 1997).
A similaridade é o ponto crucial de RBC, pois a partir desta etapa, todo processo de raciocínio que fundamenta esta técnica torna-se viável. Avalia-se a similaridade do caso a ser solucionado (problema de entrada) com os casos candidatos. O que faz um caso ser similar ou não a outro é a semelhança das características que realmente representam o conteúdo e o contexto da experiência.
A métrica da similaridade é uma função que mede a similaridade entre dois casos, ela é utilizada para guiar a busca pelos casos mais similares que serão ordenados segundo a mesma (Weber, 1996).
A partir da comparação dos casos da base com os casos de entrada, dá-se um valor numérico à similaridade, que utiliza a função do cálculo vizinho mais próximo:
S é o caso da base
n é o número de atributos de cada caso
i é um atributo individual
f é a função de similaridade para o atributo i nos casos T e S
W é o peso dado ao atributo i
Seleção é a última etapa da fase de recuperação, ela é mais específica do que a busca pelo conjunto de casos mais similares. A seleção pode ser implementada de várias formas, a mais óbvia é revisar os elementos que determinam a similaridade entre os casos, visando uma comparação mais apurada. A importância desta etapa se dá pelo fato de que ela gera o resultado para a solução do problema, ou seja, será a saída do sistema (Weber, 1996).
A adaptação é o grande "gargalo" de RBC hoje em dia (Leake, 1996).
Uma etapa de revisão confirma a seleção do caso escolhido e avalia suas diferenças para o problema de entrada para guiar a adaptação.
Após selecionado o caso que resolverá o problema de entrada, o próximo passo é comparar este caso ao problema de entrada para verificar a necessidade de adaptação.
Adaptação tem a função de alterar um caso, se necessário, para solucionar o problema de entrada. Avalia-se as diferenças entre os casos recuperados e o problema de entrada (Weber, 1996).
Watson (1997) afirma que "a menos que a adaptação possa ser feita facilmente e utilizando parâmetros bem compreendidos, caso contrário meu conselho é que deve ser evitada" e coloca também "que a adaptação, em muitos casos pode ser considerada o calcanhar de aquiles de RBC".
Isto justifica o fato de, no sistema em discussão, ter-se optado por utilizar uma etapa de interação do especialista com o sistema para que se possa avaliar as necessidades de adaptação.
Após realizada a adaptação, a solução do caso selecionado pode ser então reutilizada para resolver o problema de entrada.
A etapa de avaliação pode ser realizada de duas formas: pode ser programada para execução automática ou com a participação do usuário. É nesta etapa de avaliação da solução adequada ao problema de entrada, que se observa a qualidade da solução, com o intuito de definir se esta tem condições de ser adicionada à memória ou não. Alguns autores sugerem que a solução que não foi bem avaliada deve ser incluída de uma observação que permita o sistema agregar este conhecimento para, após repetidas situações, ser retirada da memória. A aprendizagem em um sistema de RBC dá-se no ato da inclusão do caso adaptado, reutilizado e avaliado (Weber, 1996).
Leake (1996) comenta que na medida em que os casos vão sendo utilizados, pode-se colocar alguns atributos que apresentem o resultado da reutilização daquele caso. Assim, consegue-se aprender com a experiência, evitando de utilizar um caso similar que não tenha dado certo.
Segundo Weber (1996), a avaliação de um sistema de RBC pode ser feita adequando os métodos de validação de outros sistemas inteligentes, porém os próprios sistemas baseados em RBC possuem um conjunto de técnicas de validação exclusivas. Uma das questões exclusivas dos sistemas de RBC, baseada na definição desta técnica, avalia-se a tarefa para qual o sistema é proposto, quando executada por especialistas humanos, realmente baseia-se em casos.
Em termos gerais, estas são algumas das características a serem consideradas para avaliação de sistema de RBC:
Þ características técnicas: tais como estabilidade e operacionalidade;
Þ escolha do problema: se o problema é próprio para o tipo de raciocínio;
Þ características organizacionais: se o sistema é adequado à operação dentro de uma organização;
Þ características econômicas: retorno do investimento, aumento na qualidade de serviços;
Þ características estratégicas: se a memória de casos pode ser vista como um ativo;
Þ qualidade e eficiência com relação às principais etapas de uma sistema baseado em casos: recuperação, adaptação, representação dos casos e aprendizagem;
Þ com relação à aprendizagem: além de avaliar a eficiência e qualidade, deve ser considerado se o aumento de robustez resultante da aprendizagem irá realmente beneficiar a qualidade do sistema ou diminuir sua velocidade, utilidade e eficiência;
Þ avalia-se o sistema comparativamente a especialistas humanos em dois momentos: num primeiro, apenas compara-se o sistema ao especialista, num segundo momento, o especialistas utiliza o sistema como um colega ou um assistente técnico. Nesta etapa, calcula-se os percentuais em que o especialista utilizou as sugestões oferecidas pelo sistema.
Dois são os tópicos pertinentes às aplicações considerados relevantes: quais os tipos de aplicações são adequados e quais são as importantes aplicações que podem orientar e ilustrar o pontencial dos sistemas de RBC.
Muitas das aplicações que podem ser implementadas em um sistema baseado em casos são comuns a outras técnicas de IA. Genericamente, estes são alguns dos tipos de problemas endereçados: interpretação, projeção, diagnóstico, análise e elaboração de projetos, formação de preços, desenvolvimento de propostas, planejamento, configuração, escalonamento, monitoramento, depuração, consertos, análise situacional, classificação, instrução, aprendizagem e controle (Grup, 1993) apud Weber (1996).
Abaixo encontram-se uma lista de aplicações, algumas em atividade de comercialização, outras são sistemas desenvolvidos apenas com objetivo de pesquisa. Vale ressaltar que não foi encontrado nenhum sistema que se aproxime dos objetivos por este proposto. O comentário que acompanha o nome das aplicações é uma tentativa de classificar as aplicações conforme os tipos de problemas resolvidos pelos sistemas:
ABBY - conselheiro romântico;
ARCHIE - Projetos arquitetônicos;
CADET - Projeto de componentes mecânicos;
CASEY - Diagnostica a causa e a solução para problemas cardíacos;
CELIA - Diagnóstico de automóveis;
CHEF - Planejamento de receitas;
CLAVIER - Projeto de Layout de autoclave;
CAMPAQ - help desk para suporte a clientes, fazendo diagnóstico e reparos;
GREBE - Aplica regras baseadas em preceitos legais e bom senso sobre casos legais, para identificar e explicar conseqüências legais de uma situação;
HYPO - Constrói argumentos tanto para defesa como para acusação utilizando casos legais que compartilham das mesmas características;
JUDGE - Constrói sentenças para crimes de homicídio praticados por delinqüentes juvenis a partir de situações de briga;
MARS - Analisa transferências e regulamentações corporativistas;
MEDIATOR - Planejamento, diagnóstico e consertos; para mediar disputas, o sistema identifica metas e submetas das partes e busca uma solução que é um plano que visa atingir metas sujeito a restrições;
NETTRAC - Planejamento e monitoramento de administração de tráfego em redes de telefone público;
PERSUADER - Atua como mediador de negociações sindicais, adapta planos considerando as metas e restrições dos agentes envolvidos, elabora argumentos e adapta os padrões praticados na indústria;
PLEXUS - Planejamento de tarefas cotidianas;
PRISM - Classificação de textos e roteamento de telexes interbancários;
PROTOS - Classificação heurística para diagnóstico;
SQUAD - Controle de qualidade de softwares;
SWALE - Gerador de explicações.
3.8. REPRESENTAÇÃO DO RACIOCÍNIO EM RBC
Os seres humanos resolvem problemas combinando fatos com conhecimento. Fatos sobre um problema específico são utilizados para, somados a um entendimento do problema, derivar conclusões lógicas (Durkin, 1994).
Basicamente, as formas de raciocínio são:
1) O Raciocínio Dedutivo é uma das técnicas mais usadas do raciocínio humano na resolução de problemas. Trata-se de deduzir novas informações a partir de informações já obtidas. Parte-se do seguinte pensamento: Se A é verdadeiro e A implica em B, então B é verdadeiro. Por exemplo:
Aplicação: Eu ficarei molhado se continuar chovendo
Ação: Eu permaneço na chuva
Conclusão: Eu ficarei molhado (Durkin, 1994)
2) O Raciocínio Indutivo utilizam fatos que acontecem geralmente e chegam a conclusões generalizadas. Através do raciocínio indutivo, é formada uma generalização. Por exemplo: Premissa: Os macacos do zoológico de Pitsburg comem bananas.
Premissa: Os macacos de Cleveland comem bananas.
Conclusão: Em geral, todos os macacos comem bananas.
Existem ainda, outras formas ainda:
3) Raciocínio Abdutivo: Abdução é uma forma de dedução que permite conclusões obtidas a partir de informações disponíveis, apesar de não se ter certeza da veracidade dessa conclusão. Por exemplo:
Implicação: A terra fica molhada se chover
Ação: A terra está molhada
Conclusão: Está chovendo?
4) Raciocínio de Senso Comum: Através de experiências, os seres humanos aprendem a resolver problemas eficientemente. Eles utilizam seu senso comum para rapidamente chegar a uma conclusão. O Raciocínio de Senso Comum confia mais num bom julgamento do que numa lógica exata.
5) Raciocínio não-monotônico: Para muitas situações, o raciocínio sobre um problema utiliza informações estáticas. Assim, durante o processo de resolução do problema, o estado (verdadeiro ou falso) dos vários fatos, permanecem constantes. Este é o tipo de raciocínio monotônico. Os seres humanos têm uma pequena capacidade de manter o caminho quando ocorre mudanças nas informações. Quando alguma coisa muda, é possível se ajustar facilmente outros eventos dependentes. Este tipo de raciocínio é conhecido como raciocínio não-monotônico.
No caso de RBC especificamente, utiliza-se da analogia para representar o raciocínio. Na forma de Raciocínio Analógico, os seres humanos formam um modelo mental de alguns conceitos através de suas experiências. Eles utilizam este modelo de raciocínio analógico para ajudá-los a entender algumas situações ou objetos. São feitas analogias entre eles, observando as similaridades e diferenças para guiar suas conclusões. Este é o tipo de raciocínio que fundamenta a técnica de RBC.
3.9. RESUMO DAS VANTAGENS DO RBC
Abaixo encontram-se, resumidamente, algumas das vantagens oferecidas pela técnica de Raciocínio Baseado em Casos: