पूर्व से उपयुक्त उदाहरणों की पहचान करने की क्षमता के आधार पर अनुभव से तर्क करने की मानवीय क्षमता। संक्रमण का निदान करने वाला डॉक्टर, कपटपूर्ण बीमा संपत्ति को फ़्लैग करने वाला दावा विश्लेषक, और मोरेल की ओर इशारा करते हुए एक मशरूम शिकारी एक ही प्रक्रिया का पालन कर रहे हैं।
प्रत्येक पहले अनुभव से समान मामलों को पहचानता है और फिर उन तरीकों के अपने ज्ञान का उपयोग उन मुद्दों पर करता है जो हाथ में हैं। यह स्मृति-आधारित तर्क का महत्व है। ज्ञात डेटा के डेटाबेस को नए डेटा के समान पूर्व-वर्गीकृत रिकॉर्ड खोजने के लिए खोजा जाता है। इन पड़ोसियों का उपयोग वर्गीकरण और गणना के लिए किया जाता है।
मेमोरी बेस्ड रीजनिंग के विभिन्न अनुप्रयोग हैं जो इस प्रकार हैं -
धोखाधड़ी का पता लगाना - धोखाधड़ी के नए मामले ज्ञात मामलों के समान हैं। अधिक जांच के लिए एमबीआर उन्हें खोज और फ़्लैग कर सकता है।
ग्राहक प्रतिक्रिया पूर्वानुमान - किसी प्रस्ताव पर प्रतिक्रिया देने के लिए संभावित अगले ग्राहक संभवत:पूर्व ग्राहकों के समान हैं जिन्होंने स्वीकार किया है। एमबीआर अगले संभावित ग्राहकों को आसानी से पहचान सकता है।
चिकित्सा उपचार - किसी दिए गए रोगी के लिए कुशल उपचार वह उपचार संभव है जिसके परिणामस्वरूप उसी रोगी के लिए सर्वोत्तम परिणाम मिले। एमबीआर उस उपचार की खोज कर सकता है जो सर्वोत्तम परिणाम देता है।
प्रतिक्रियाओं को वर्गीकृत करना - मुक्त-पाठ प्रतिक्रियाओं, जिसमें व्यवसाय और बाजार के लिए यू.एस. जनगणना फॉर्म या उपयोगकर्ताओं से प्रदर्शित होने वाली शिकायतें शामिल हैं, को कोड के एक निश्चित सेट में वर्गीकृत करने की आवश्यकता है। MBR मुक्त-पाठ को संसाधित कर सकता है और कोड बना सकता है।
MBR की ताकत इसकी जानकारी का उपयोग करने की क्षमता है। कई डेटा माइनिंग विधियों के विपरीत, यह डेटा की संरचना की परवाह नहीं करता है। यह केवल दो ऑपरेशनों को जारी रखने की परवाह करता है:एक दूरी फ़ंक्शन जो कुछ दो डेटा और एक संयोजन फ़ंक्शन के बीच की दूरी की गणना करने में सक्षम है, जो एक उत्तर पर प्रकट होने के लिए कई पड़ोसियों के परिणामों को मर्ज करने में सक्षम है।
इन कार्यों को कई प्रकार के रिकॉर्ड के लिए परिभाषित किया गया है, जैसे जटिल या असामान्य डेटा प्रकार वाले रिकॉर्ड, जिसमें भौगोलिक क्षेत्र, छवियां और मुफ्त टेक्स्ट शामिल हैं जो आमतौर पर अन्य विश्लेषण तकनीकों के साथ प्रबंधित करने के लिए जटिल होते हैं।
एमबीआर की दूसरी ताकत इसकी संशोधित करने की क्षमता है। ऐतिहासिक डेटाबेस में केवल नए रिकॉर्ड को शामिल करने से यह एमबीआर के लिए नए तत्वों और पिछले वाले की नई परिभाषाओं को समझने के लिए लागू होता है। एमबीआर प्रशिक्षण या आने वाली जानकारी को सही प्रारूप में मालिश करने के लिए समर्पित लंबे समय के बिना भी सर्वोत्तम परिणाम देता है।
ये लाभ एक कीमत पर दिखाई देते हैं। एमबीआर एक संसाधन हॉग होने का प्रभाव है क्योंकि पड़ोसियों की खोज के लिए बड़ी मात्रा में ऐतिहासिक रिकॉर्ड आसानी से उपलब्ध होना चाहिए। नए डेटा को वर्गीकृत करने के लिए सबसे समान पड़ोसियों को खोजने के लिए सभी ऐतिहासिक डेटा को संसाधित करने की आवश्यकता हो सकती है-पहले से प्रशिक्षित तंत्रिका नेटवर्क या पहले से निर्मित निर्णय पेड़ का उपयोग करने की तुलना में अधिक धीमी प्रक्रिया। अच्छी दूरी और संयोजन कार्यों की खोज करना भी मुश्किल है, जिसके लिए थोड़ा परीक्षण और त्रुटि और अंतर्ज्ञान की आवश्यकता होती है।