CBR

#CBR

#CaseBasedReasoning

#사례중심

**Case-Based Reasoning (CBR)**는 새로운 문제를 해결할 때, 과거 유사 사례의 경험과 해결 방식을 참고하여 해결책을 찾는 인공지능 및 인간 추론 방식입니다.

의학, 법률, 기술지원, 교육, 군사 전술, 기업경영 등 다양한 분야에서 활용됩니다.

1. 정의

**Case-Based Reasoning (CBR)**는 “과거의 문제 사례(case)와 해결 방법을 기억하고, 이를 바탕으로 새로운 문제에 유사한 해결책을 적용하거나 수정하여 문제를 해결하는 추론 방법”입니다.

2. CBR의 4단계 순환 구조 (Aamodt & Plaza 모델)

CBR은 다음의 4R 구조로 작동합니다:

단계 설명

Retrieve 새로운 문제와 유사한 과거 사례를 검색

Reuse 선택된 사례의 해결책을 현재 문제에 적용

Revise 필요에 따라 해결책을 수정 또는 조정

Retain 새로운 문제 해결 경험을 다시 사례로 저장

이 구조는 반복 가능하며, 학습형 시스템의 형태를 띱니다.

#Retrieve

#Reuse

#Revise

#Retain

3. CBR vs Rule-Based Reasoning

구분

Case-Based Reasoning Rule-Based Reasoning

기반 과거 사례 추상적 규칙(If-Then)

유연성 매우 높음 (불완전 데이터에도 적용 가능) 낮음 (정확한 규칙 필요)

학습 경험 누적으로 지식 축적 규칙 추가/수정 필요

설명력 과거 사례를 직접 보여주며 설명 논리 구조 기반

4. 주요 응용 분야

A. 의학 진단

유사한 환자 케이스를 바탕으로 진단·치료 방안을 제시

• 예: MYCIN, ISIS, CADUCEUS

B. 법률 판단

판례 기반 추론: 유사 사건의 판례와 법리를 비교하여 새로운 사건 해석

• Talmudic reasoning이나 영미법의 **선례주의(Common Law)**와 구조 유사

C. 기술지원 및 고객 서비스

예: HP·IBM의 고객지원 시스템은 유사 오류·해결 사례를 기반으로 대응책 추천

D. 군사 및 전략 시뮬레이션

과거 전술 사례에서 전략적 의사결정을 도출

E. 교육·훈련 시스템

시나리오 기반 학습, 시뮬레이션 훈련 등에 사용

5. 대표적 사례 기반 시스템

시스템명 분야 기능

CASES 의료 당뇨병 환자 사례 기반 진단 추천

PROTOS 심리학 범주학습 및 진단 훈련

CBRWorks 일반 AI CBR 개발 프레임워크

LEXIS-NEXIS 법률 판례 검색과 적용

6. 장점과 한계

장점

• 경험 기반이므로 실용성 높음

• 불완전한 정보에도 강건

• 지속적인 자기 학습 가능 (Retain 단계)

한계

• 유사도 판단 기준이 모호할 수 있음

• 사례베이스가 크면 검색 효율 저하

• 사례 품질(정확성, 대표성)에 성능 좌우

예시 (간단화된)

신규 문제: “45세 남성, 고혈압 약 복용 중, 심한 두통 발생”

Retrieve: 유사 환자 사례 – “47세 남성, 고혈압약 복용 중 혈압 급강하로 두통”

Reuse: 해당 사례에서는 약 중단 후 조절이 필요했음 동일 대응

Revise: 이번 환자는 혈압 수치가 정상 MRI 추가 권고

Retain: 이 새로운 해결 흐름을 저장하여 향후 유사 환자에 적용

참고 문헌

• Aamodt, A., & Plaza, E. (1994). Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications.

• Kolodner, J. (1993). Case-Based Reasoning. Morgan Kaufmann.

• Watson, I. (1997). Applying CBR: Techniques for Building CBR Systems.