मेमोरी-आधारित तर्क (MBR) के अनुप्रयोग
अनुभव के आधार पर तर्क करने की मानव क्षमता पूर्व उदाहरणों से उपयुक्त उदाहरणों की पहचान करने की क्षमता पर आधारित है। एक डॉक्टर संक्रमण का निदान, एक दावा विश्लेषक धोखाधड़ी बीमा संपत्ति को फ़्लैग करना, और एक मशरूम शिकारी मोरेल्स की ओर इशारा करना एक ही प्रक्रिया का पालन कर रहे हैं।
प्रत्येक पहले अनुभव से समान मामलों को पहचानता है और फिर उन विधियों के अपने ज्ञान को हाथ में लिए मुद्दे पर लागू करता है। यह मेमोरी-आधारित तर्क का सार है। ज्ञात डेटा का एक डेटाबेस खोजा जाता है ताकि एक नए डेटा के समान पूर्व-वर्गीकृत रिकॉर्ड मिल सकें। इन पड़ोसियों का उपयोग वर्गीकरण और गणना के लिए किया जाता है।
मेमोरी-आधारित तर्क के विभिन्न अनुप्रयोग
1. धोखाधड़ी पहचान (Fraud Detection)
धोखाधड़ी के नए मामले ज्ञात मामलों के समान होने की संभावना रखते हैं। MBR उन्हें खोज सकता है और आगे की जांच के लिए फ़्लैग कर सकता है।
2. ग्राहक प्रतिक्रिया भविष्यवाणी (Customer Response Prediction)
एक प्रस्ताव का जवाब देने की संभावना वाले अगले ग्राहक संभवतः उन पूर्व ग्राहकों के समान हैं जिन्होंने जवाब दिया है। MBR अगले संभावित ग्राहकों को आसानी से पहचान सकता है।
3. चिकित्सा उपचार (Medical Treatments)
एक दिए गए रोगी के लिए कुशल उपचार संभवतः वह उपचार है जिसके परिणामस्वरूप समान रोगियों के लिए सर्वोत्तम परिणाम मिले। MBR उस उपचार को खोज सकता है जो सर्वोत्तम परिणाम देता है।
4. प्रतिक्रियाओं का वर्गीकरण (Classifying Responses)
मुक्त-पाठ प्रतिक्रियाएं, जिनमें यू.एस. जनगणना फॉर्म पर व्यवसाय और बाजार या उपयोगकर्ताओं से आने वाली शिकायतें शामिल हैं, को कोड के एक निश्चित सेट में वर्गीकृत करने की आवश्यकता होती है। MBR मुक्त-पाठ को प्रोसेस कर सकता है और कोड असाइन कर सकता है।
MBR की ताकत
MBR की ताकत जानकारी का उपयोग करने की इसकी क्षमता है। कई डेटा माइनिंग विधियों के विपरीत, यह डेटा की संरचना की परवाह नहीं करता। यह केवल दो ऑपरेशंस की निरंतरता की परवाह करता है: किसी भी दो डेटा के बीच दूरी की गणना करने में सक्षम एक दूरी फ़ंक्शन और कई पड़ोसियों के परिणामों को मिलाकर एक उत्तर पर पहुंचने में सक्षम एक संयोजन फ़ंक्शन।
ये फ़ंक्शन कई प्रकार के रिकॉर्ड्स के लिए परिभाषित हैं, जैसे भौगोलिक क्षेत्रों, छवियों, और मुक्त पाठ सहित जटिल या असामान्य डेटा प्रकारों वाले रिकॉर्ड्स जो आमतौर पर अन्य विश्लेषण तकनीकों के साथ प्रबंधित करना कठिन होता है।
MBR की दूसरी ताकत इसकी अनुकूलन क्षमता है। केवल ऐतिहासिक डेटाबेस में नया रिकॉर्ड शामिल करने से MBR के लिए नए तत्वों और पिछले तत्वों की नई परिभाषाओं के बारे में सीखना संभव हो जाता है। MBR प्रशिक्षण के लिए लंबे समय समर्पित किए बिना या आने वाली जानकारी को सही प्रारूप में मालिश किए बिना सर्वोत्तम परिणाम भी देता है।
ये लाभ एक लागत पर आते हैं। MBR एक संसाधन हॉग होता है क्योंकि पड़ोसियों को खोजने 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 प्रोसेस करने की आवश्यकता हो सकती है - एक पहले से प्रशिक्षित न्यूरल नेटवर्क या पहले से निर्मित निर्णय वृक्ष का उपयोग करने की तुलना में धीमी प्रक्रिया। अच्छी दूरी और संयोजन फ़ंक्शन खोजने की कठिनाई भी है, जिसमें थोड़ा ट्रायल एंड एरर और अंतर्ज्ञान आवश्यक होता है।
