From case-based reasoning to traces-based reasoning
Résumé
CBR is an original AI paradigm based on the adaptation of solutions of past problems in order to solve new similar problems. Hence, a case is a
problem with its solution and cases are stored in a case library. The reasoning process follows a cycle that facilitates ‘‘learning’’ from new solved
cases. This approach can be also viewed as a lazy learning method when applied for task classification. CBR is applied for various tasks as design,
planning, diagnosis, information retrieval, etc. The paper is the occasion to go a step further in reusing past unstructured experience, by considering
traces of computer use as experience knowledge containers for situation based problem solving.
Le RàPC est un paradigme original en IA proposant d'adapter les solutions de problèmes passés pour résoudre de nouveaux problèmes similaires. Un cas est donc un problème avec sa soltion et les cas sont gardés dans une bibliothèque de cas. Le processus de raisonnement respecte un cycle qui facilite "l'apprentissage" à partir des nouveaux cas résolus. Cette approche peut également être considérée comme une méthode d'apprentissage opportuniste pour les tâches de classification. Le RàPC est utilisé pour des tâches variées comme la conception, la planification, le diagnostic, la recherche d'information, etc... L'article est l'occasion d'aller un pas plus loin en proposant de réutiliser l'expérience passée non complétement structurée, en s'intéressant aux traces d'interactions avec l'ordinateur comme des conteneurs de connaissance issue de l'expérience, pour l'appliquer au cas de la résolution de problème "en situation".