AI（人工知能）の世界には、膨大なデータから法則を見つけ出す手法だけでなく、人間のように**「以前の経験を思い出し、それを応用して解決する」アプローチがあります。それがケースベース推論（Case-Based Reasoning：CBR）**です。
2024年から2026年にかけて、大規模言語モデル（LLM）の弱点である「根拠の不透明さ」を補う技術として、再び大きな注目を集めています。
1. CBRの基本概念：人間らしい思考の再現
CBRの核となる考え方は、**「類似の問題は、類似の解決策を持つ」**という仮説です。
4つの基本サイクル（$R^4$ サイクル）
CBRは、Aamodt & Plaza（1994）によって提唱された以下の4段階をループすることで、経験を積み重ねます。
- Retrieve（検索）行動: 新しい問題（ターゲットケース）に対し、過去の事例庫（ケースベース）から最も似ている事例を抽出します。技術: $k$-最近傍法（$k$-NN）や、最新の「ベクトル埋め込み」によるセマンティック検索が用いられます。
- 行動: 新しい問題（ターゲットケース）に対し、過去の事例庫（ケースベース）から最も似ている事例を抽出します。
- 技術: $k$-最近傍法（$k$-NN）や、最新の「ベクトル埋め込み」によるセマンティック検索が用いられます。
- Reuse（再利用）行動: 過去の解決策をそのまま、あるいは現在の状況に合わせて調整して適用します。
- 行動: 過去の解決策をそのまま、あるいは現在の状況に合わせて調整して適用します。
- Revise（修正・評価）行動: 導き出した解決策を試行し、期待通りにいかない場合は修正します。ここでは人間の専門家によるフィードバックが重要です。
- 行動: 導き出した解決策を試行し、期待通りにいかない場合は修正します。ここでは人間の専門家によるフィードバックが重要です。
- Retain（記憶・蓄積）行動: 成功した解決策（および失敗の教訓）を新しい事例として保存します。これにより、システムは動的に学習を続けます。
- 行動: 成功した解決策（および失敗の教訓）を新しい事例として保存します。これにより、システムは動的に学習を続けます。
この記事のライター
