Case-Based Reasoning (CBR) ist ein Problemlösungsansatz im Bereich der künstlichen Intelligenz, der auf der Idee basiert, dass ähnliche Probleme mit ähnlichen Lösungen bewältigt werden können. Anders als herkömmliche Methoden, die auf feste Regeln oder Algorithmen setzen, nutzt CBR die Analogie und Erfahrungswissen, um neue Herausforderungen zu meistern. Dieser Ansatz ist besonders nützlich in Bereichen, in denen explizite Regeln oder Modelle fehlen oder schwer zu definieren sind.
CBR arbeitet mit sogenannten „Fällen“ (Cases), die als strukturierte Beschreibungen von Problemsituationen und deren Lösungen gespeichert werden. Ein Fall besteht typischerweise aus einer Beschreibung des Problems, den Umständen, unter denen es auftrat, und der angewendeten Lösung sowie dem Ergebnis. Wenn ein neues Problem eintritt, durchsucht das System die Fallbasis, um ähnliche Fälle zu finden. Diese werden dann als Grundlage für die Lösung des aktuellen Problems verwendet.
Der Prozess in CBR umfasst in der Regel vier Schritte: die Rückholorganisation (Retrieval), bei der passende Fälle aus der Fallbasis abgerufen werden; die Wiederverwendung (Reuse), bei der die ausgewählten Fälle auf das neue Problem angewendet werden; die Revision, bei der die vorgeschlagene Lösung angepasst oder korrigiert wird; und die Speicherung (Retention), bei der das neue Problem und seine Lösung in der Fallbasis gespeichert werden, um zukünftige Problemlösungen zu unterstützen.
CBR eignet sich besonders gut für Anwendungsbereiche, in denen Erfahrungswissen eine wichtige Rolle spielt, wie beispielsweise in der Kundenbetreuung, der Rechtsberatung oder der Produktentwicklung. Es bietet den Vorteil, dass es flexibel auf veränderte Anforderungen reagieren kann und auch unvollständige oder unsichere Informationen verarbeiten kann. Allerdings hängt die Qualität der Lösungen stark von der Qualität der in der Fallbasis gespeicherten Fälle ab.