CASE BASED REASONING

a. introduction

Dalam bab-bab sebelumnya tiga AI berbasis teknik telah disajikan. Peraturan-berbasis model yang sesuai untukdomain mana pengetahuan dapat direpresentasikan dalam bentuk heuristik atau aturan jempol. Teknik inicocok untuk klasifikasi dan masalah diagnostik. Dalam masalah desain rekayasa, artefak dapatdidekomposisi menjadi berbagai sistem dan subsistem, dan subsistem dan komponen dapat dirancangterpisah dari ruang solusi yang cocok. Dengan menggabungkan solusi dari subsistem yang membentuk sistem danmemenuhi persyaratan kompatibilitas, solusi layak yang dapat dihasilkan dengan menggunakan sintesisproses. Dalam masalah multiclient solusi yang dihasilkan oleh proses sintesis harus diuji atau dievaluasiuntuk kepuasan kendala dari domain yang berbeda. Evaluasi ini dapat dilakukan oleh mengkritisiproses.

Pada tahap ini mungkin bermanfaat untuk menganalisis secara singkat cara dan sarana yang diadopsi oleh para ahli manusia untuk memecahkanmasalah. Menurut Stephen Slade [1]: Seorang ahli adalah orang yang memiliki pengalaman khusus yang luas, memilikimenyaksikan banyak kasus dalam domain umum dan pengalaman ini untuk menerapkannya ke situasi baru. ketikadihadapkan dengan masalah, ahli diingatkan masalah serupa sebelumnya dan masing-masingresolusi. Mungkin yang ahli memiliki begitu banyak kasus teladan untuk masalah mengingat bahwa pengalamantelah disuling ke dalam aturan umum untuk diterapkan. Namun, aturan umum ini berakar di dalam pengalaman yang sebenarnya.Oleh karena itu dapat dinyatakan bahwa ahli desain berasal pengetahuan dari pengalaman dan unit dasarpengetahuan kasus tetapi bukan aturan. Para ahli mendapatkan pengetahuan melalui episode mengumpulkan desain baru,mengingat pengalaman mereka sendiri dan pelajaran dari kesalahan. Mereka dapat alasan melalui analogi danmemecahkan masalah baru.

Penalaran berdasarkan pengalaman masa lalu yang serupa pemecahan masalah membantu desainer untuk mengeksploitasi bergunarincian untuk aplikasi untuk kasus serupa tertentu. Strategi pemecahan masalah disebut berbasis kasuspenalaran (CBR) [2-4]. Hal ini didasarkan pada pengamatan bahwa proses penalaran manusia didirikan pada spesifikpengalaman daripada seperangkat pedoman umum. Jadi dibandingkan dengan AI berbasis metode penalaran, CBR

adalah proses mempertimbangkan kasus masa lalu dan tiba di keputusan pada perbandingan antara situationand saat ini kasus lama. Solusi untuk masalah yang dicapai dari pengalaman masa lalu, disimpan dalam bentukkasus, bukan dari aturan atau prinsip-prinsip pertama. Artinya, karya-karya berbasis kasus masalah solver dengan mengingatapa yang telah terjadi di masa lalu dalam situasi yang mirip ketimbang dengan memproyeksikan apa yang bisa bekerja di masa depan [2].

CBR memberikan banyak keuntungan untuk memecahkan masalah dalam lingkungan berbasis pengetahuan [5]. Hal ini memungkinkan seseorang untukmengusulkan solusi cepat, sehingga menghindari proses panjang pembusukan dan gubahan terlibat dalamsintesis proses. Hal ini berguna dalam situasi di mana pengetahuan domain tersebut tidak sepenuhnya tersedia atausulit diperoleh. Kasus-kasus masa lalu dapat membantu untuk memberikan peringatan potensi masalah yang telah terjadi dimasa lalu dan untuk menghindari mengulangi kesalahan. Namun, harus ditekankan bahwa penggunaan buta kasus masa lalu untuksituasi saat ini harus dihindari dan pengetahuan / keahlian yang diperlukan untuk mengubah atau untuk beradaptasi kasus masa laluuntuk masalah saat ini.Dalam bab ini potensi daerah aplikasi CBR dibahas. Proses yang terlibat dalam CBR yangmenjelaskan. Sebuah framework disajikan untuk membangun sistem CBR dan penggunaan alat generik, CASETOOL,(KASUS berbasis penalaran ALAT kit) dalam Sistem Berbasis Pengetahuan (KBS) lingkungan digambarkan melaluicontoh.

6.2 Applications of Case-Based Reasoning(6.2 Aplikasi Berbasis Kasus Penalaran)Sebagaimana dibahas dalam bagian sebelumnya, CBR jauh mengurangi waktu yang dibutuhkan untuk memecahkan masalah seperti itumenyediakan solusi dari kasus masa lalu, sehingga menghindari rantai inferensi panjang khas penalaran berbasis aturanatau proses sintesis. CBR telah berhasil diterapkan untuk berbagai pemecahan masalah tugas-tugas diperencanaan, desain dan diagnosis. Dalam bagian ini potensi aplikasi CBR untuk berbagai tugas secara singkatdijelaskan.

6.2.1 Planning(6.2.1 Perencanaan)Proses perencanaan berkaitan dengan tiba di urutan langkah atau jadwal untuk mencapai beberapakeadaan yang diinginkan dunia [5]. Hasil akhir dari proses perencanaan adalah satu set langkah-langkah untuk mencapai tujuan,

memuaskan himpunan kendala. Perencana berbasis kasus awal yang dikembangkan adalah CHEF [2,6,7].Para CHEF sistem menciptakan resep baru berdasarkan kasus resep yang tersimpan dalam basis kasus ini. Rinciankerja dan pelaksanaan CHEF dijelaskan dalam referensi [5].

6.2.2 DesainBiasanya, rekayasa desain diidentifikasi sebagai proses pemecahan masalah di mana artefak ini dirancang untukmemenuhi, persyaratan fungsional perilaku dan lainnya. Jadi itu adalah masalah menemukan solusi yangmemenuhi satu set kendala yang mewakili persyaratan. Ini melibatkan berbagai domain-spesifikpengetahuan dan memerlukan keterampilan dan pengalaman untuk datang dengan singkat dan jelasspesifikasi artefak yang akan dirancang [8]. Pengalaman dari 'ahli' yang dikumpulkan melalui panjangperiode praktek mungkin tidak tersedia dalam bentuk yang terorganisir dan dikompilasi. Dalam situasi seperti itumenjadi sulit untuk menerapkan pendekatan AI seperti penalaran berbasis aturan untuk desain. Hal ini bermanfaat untukmempelajari bagaimana desainer berpengalaman (ahli) pendekatan dan memecahkan masalah desain. berpengalaman desainermenganalisis masalah di tangan untuk memeriksa apakah itu cocok dengan masalah mereka telah diselesaikan.Untuk tujuan ini, mereka membandingkan definisi masalah, yaitu, persyaratan, kondisi, kendala dan lainnya.aspek-aspek penting dari masalah saat ini dengan bahwa dari kasus masa lalu. Menghindari jalan yang menyebabkan tidak diinginkanhasil antara (yang dihadapi dalam pemecahan masalah episode terakhir), mereka menghasilkan solusi untukini masalah dari kasus-kasus masa lalu. Dengan demikian menunjukkan bahwa CBR cocok untuk masalah desain yangmelibatkan kendala kompleks domain dan multiple sebagai kasus desain memberikan ilustrasi dari jalan beberapakendala domain telah ditangani dalam solusi masa lalu.

Beberapa kasus sistem berbasis desain telah dibangun dan dilaporkan dalam literatur. Beberapa sistemsingkat disebutkan di sini. Para Julia sistem [5,9] rencana makan. Untuk desain lansekap CBR digunakan dalamCyclops [10]. CBR dikombinasikan dengan model-based reasoning digunakan dalam Kritik dan Kritik-2 untuk desainalat mekanis dan listrik kecil [11]. ARCHIE ARCHIE-2 dan telah dibangun untuk membantu arsitek dalamdesain konseptual [12,13]. Salah satu sistem yang digunakan dalam industri Clavier [14] yang

membantu untuktiba di sebuah layout untuk komponen pesawat terbuat dari bahan komposit untuk menyembuhkan dalam autoclave. DejaVu[15] adalah salah satu sistem domain pertama independen dan fleksibel yang dikembangkan untuk membantu desainer mekanik.Ada tiga komponen utama dan mereka adalah (a) pengetahuan dasar rencana desain, (b) sebuah modul evaluasidalam bentuk sistem desain rencana dan (c) sistem adaptasi berbasis papan. Sebuah hibrida berbasis kasusdesain model proses, CADSYN [16] menggunakan CBR dan basis pengetahuan dekomposisi domain (dankendala) pengetahuan untuk beradaptasi kasus desain. Ini model proses telah dibuktikan melaluicontoh masalah desain bangunan [17].

6.2.3 Diagnosis

Dalam diagnosis, kita diberi satu set gejala dan diminta untuk menjelaskan. Pendekatan berbasis kasus dapat menggunakan masa lalukasus untuk menyarankan penjelasan untuk gejala dan juga untuk memperingatkan penjelasan yang telah ditemukantidak tepat di masa lalu. Salah satu sistem yang dikembangkan awal SHRINK [18] dan telah dirancang untuk menjadidiagnosa psikiatri. Sistem Casey [19] diagnosa masalah jantung dengan mengadaptasi diagnosasebelumnya jantung pasien untuk pasien baru. Perlu dikemukakan di sini bahwa diagnosa tidak dapat mengasumsikan bahwaberbasis kasus saran adalah jawabannya. Saran itu harus divalidasi. Namun, sering ditemukan bahwavalidasi diagnosis disarankan adalah jauh lebih mudah daripada generasi diagnosis yang masuk akal. Dalam jenis sepertiCBR domain akan menguntungkan.

6.3 Case-Based Reasoning Process (6.3 Penalaran Berbasis Kasus Proses)Dalam CBR pencarian dipandu oleh sebelumnya latihan pemecahan masalah yang disimpan sebagai kasus masa lalu dan karenanya,solusi untuk masalah sudah dipecahkan hanya perlu diambil bukan dihitung lagi [20]. paraisu-isu kunci dalam CBR yanga) kemampuan untuk mengidentifikasi kasus yang paling tepatb) aplikasi kasus itu untuk situasi saat inic) penyimpanan kasus sebagai pola yang lengkap dari pengalaman termasuk proses penalaran.Isu-isu ini dibahas dalam proses CBR melalui tiga tugas berikut [5]:1. kasus pengambilan2. solusi transformasi3. kasus menyimpanKetiga atas tugas-tugas yang dijelaskan dalam bagian berikut.

6.3.1 Case Retrieval (6.3.1 Kasus Retrieval )Tugas yang paling penting dari CBR pengambilan kasus yang sesuai. Mengingat kasus masa lalu dilakukan berdasarkan kesamaan antara kasus saat ini dan kasus masa lalu. Ada kemungkinan bahwa banyak kasus mungkin tersedia untuk masalah saat ini situasi. Bagaimana kita membuat komputer memilih kasus yang sesuai untuk saat ini situasi? Kasus A, pada umumnya, adalah bagian dikontekstualisasikan pengetahuan mewakili pengalaman dan mewakili pengetahuan di tingkat operasional, yaitu, berisi pengetahuan khusus yang diterapkan atau strategi-strategi khusus yang diterapkan untuk memecahkan masalah. Jadi, ada dua bagian dari kasus: (1) pengetahuan mengandung dan (2) konteks di mana dapat digunakan. Ini adalah bagian kedua yang penting untuk kita untuk memilih atau mengambil kasus untuk konteks tertentu. Salah satu teknik diadopsi secara luas adalah dengan menggunakan indeks untuk memilih kasus. Pengindeksan yang tepat dari kasus adalah sangat penting untuk memilih kasus yang relevan. Ada beberapa isu terhubung dengan pengindeksan dan hal-hal berikut harus dipertimbangkan. 1. Indeks harus benar-benar relevan dan prediktif untuk memungkinkan pemilihan kasus yang sesuai dengan masalah baru persyaratan. 2. Indeks harus umum dan abstrak cukup untuk memberikan cakupan untuk memilih semua erat pas kasus. 3. Indeks seharusnya tidak overgeneralised untuk memasukkan kasus yang sangat longgar.

Dalam domain desain rekayasa, kasus dicirikan oleh berbagai kualitatif dan kuantitatif yang mengaturfaktor yang menyebabkan banyak rincian. Efisiensi CBR sistem tergantung pada efisiensi kasusretriever. Berbagai model retriever kasus ini diusulkan oleh peneliti yang bekerja di daerah ini. Retriever dariARCHIE [12,13] menggunakan string literal sebagai indeks, yang merangkum semua aspek penting dari sebuah kasus.DejaVu [15] dan PANDA [21] juga menggunakan teknik pengambilan mirip dan memiliki weightages terkait denganpenting harfiah aspek dari kasus tersebut untuk menentukan kasus yang paling cocok. Bobot dari masing-masing cocokAspek ditambahkan untuk mencetak acara dan satu dengan nilai tertinggi dipilih. Retriever dari STRUPLE[22] memiliki sarana untuk memeriksa nilai-nilai numerik dari faktor-faktor yang mengatur selama pengambilan dalam batas yang sesuaisesuai dengan konteks yang diberikan.Sementara pengobatan yang lengkap dari berbagai teknik pengambilan diadopsi untuk

pengindeksan dan kasus dapat ditemukan dibuku oleh Kolodner [5], diusulkan untuk menggambarkan metode yang diadopsi dalam rangka alat generik,CASETOOL, untuk proses CBR dalam lingkungan berbasis pengetahuan [23]. Kerangka telah dirancang untuk mengatasi masalah yang bersangkutan dengan desain rekayasa.

Sebuah retriever kasus komponen yang sangat penting dari sebuah sistem CBR sebagai efisiensi sistem tergantungberat di atasnya. Dalam domain rekayasa adalah mungkin untuk kelompok atribut yang mengatur menjadi kualitatif danjenis kuantitatif. Tergantung pada jenis atribut, prosedur dapat dikembangkan untuk menentukanaktual kesamaan kasus diambil dengan masalah saat ini dan potensi kegagalan yang terkait dengan setiapdiambil kasus. Jadi proses pengambilan kasus dikategorikan menjadi tiga sebagai berikut subtasks.1. Berasal indeks yang mencerminkan fitur penting dari sebuah kasus tertentu yang dapat digunakan untuk pengambilan.Atribut kualitatif banyak digunakan untuk menetapkan indeks.2. Menyiangi kasus yang berhubungan jarak jauh yang tidak akan memiliki efek pada generasi solusi.Atribut kuantitatif digunakan untuk tujuan ini.3. Mengelompokkan kasus ke dalam berbagai kategori berdasarkan pertimbangan sebagai berikut:(a) Kemiripan antara situasi lama dan saat ini(b) Kinerja masa lalu dari kasus diambil sebagai dievaluasi oleh para kritikus.

Yang subtask pertama mengidentifikasi atribut yang sesuai dan tiba di indeks yang tepat adalah pekerjaan pengetahuan intensifyang harus ditangani oleh insinyur pengetahuan dan ahli domain. Hal ini diilustrasikan melaluicontoh dalam bagian berikutnya.Dua berikutnya subtugas dapat dicapai dengan mengembangkan metodologi generik yang berlaku untuk berbagaidomain. Dalam rangka CASETOOL, metodologi generik melibatkan tiga langkah dan mereka adalah sebagaiberikut:1. Seleksi dengan kondisi pencarian: Memilih satu set kasus setelah menyiangi semua longgar terhubungkasus yang dipilih didasarkan pada indeks.2. Klasifikasi menurut relevansi: Klasifikasi kasus berdasarkan tingkat kesamaan antara yang diberikansituasi dan kasus-kasus yang dipilih.3. Klasifikasi oleh kinerja: Klasifikasi kasus berdasarkan kinerja masa lalu.

Gambar 6.1 menunjukkan proses pengambilan kasus dan tiga langkah di atas dijelaskan di bawah ini secara rinci.

Gambar 6.1 Skema diagram dari proses kasus pengambilan

6.3.1.1 Selection by search conditions (6.3.1.1 Seleksi oleh kondisi pencarian)Dalam domain rekayasa, masalah didefinisikan dalam hal persyaratan fungsional dan kendala desain.Ini diungkapkan melalui kuantitatif (misalnya, panjang, luas, wilayah dll) dan kualitatif (untukMisalnya, kondisi tanah, estetika, jenis konstruksi, proses manufaktur, dll) atribut. Hal ini tidakmungkin perlu persis dalam kasus indeks atribut kuantitatif dari solusi desain. Oleh karena itu, kasus-kasusyang dipilih berdasarkan indeks kasus tidak mungkin benar-benar relevan dengan konteks yang diberikan. Artinya, ketikaatribut dari kasus masa lalu dibandingkan dengan masalah saat ini, beberapa kasus yang dipilih berdasarkanindeks dapat ditemukan longgar terhubung. Kasus-kasus seperti harus disiangi keluar dalam rangka untuk memilih hanya merekakasus yang cocok untuk diproses lebih lanjut.

Beberapa domain yang ditandai dengan atribut yang mengatur banyak yang harus dipertimbangkan untuk pemilihan masa lalu kasus. Membandingkan semua atribut-atribut pada saat yang sama untuk memilih kasus-kasus masa lalu mungkin menjadi membosankan. Proses seleksi dapat dibuat efisien dengan mengelompokkan ke dalam set atribut yang mengatur berbagai memesan ini atribut set untuk perbandingan sedemikian rupa sehingga sebagian besar kasus tidak relevan, akan terpangkas lebih awal. Untuk memilih kasus yang tepat, kondisi pencarian ditetapkan yang menetapkan batas yang dapat diterima nilai numerik untuk kuantitatif atribut dan sifat-sifat yang dibutuhkan / nilai untuk atribut kualitatif. Tugas memutuskan batas yang dapat diterima nilai numerik dan sifat-sifat yang dibutuhkan / nilai adalah pengetahuan intensif. Oleh karena itu, batas nilai yang diminta dan properti untuk atribut pemerintahan diatur melalui basis pengetahuan.

6.3.1.2 Classification by relevance (6.3.1.2 Klasifikasi menurut relevansi)Setelah menyiangi kasus longgar terhubung oleh proses seleksi, relevansi dari kasus yang dipilihditentukan dalam tahap berikutnya berdasarkan deviasi nilai atribut kasus dari yang saat inisituasi dan kepentingan relatif dari atribut. Kasus yang lebih relevan dengan situasi saat inipertama ditentukan untuk proses pembangkitan solusi.Kesamaan antara kasus masa lalu dan situasi masalah ini ditentukan dengan menggunakan Norma Relevance (R).Nilai R adalah estimasi kuadrat tertimbang dinormalisasi sedikitnya penyimpangan [24]. Biarkan v1, v2, v3,...., vn menjadinilai dari atribut n kasus desain masa lalu dan c1, c2, c3 cn,...., menjadi nilai-nilai yang sesuai dari saat inisituasi. Biarkan w1, w2, w3,...., wn menjadi berat (yaitu, faktor kepentingan relatif) dari atribut tersebut. Kemudian R dapatdievaluasi dari persamaan berikut,

mana ui  adalah batas atas yang ditentukan untuk variabel ke-i dan li  adalah batas bawah ditetapkan untuk variabel engan. Kasus-kasus diklasifikasikan sebagai sempurna (sekitar tepat) dan menutup (parsial) cocok berdasarkan nilai R. Yang membatasi atau rentang nilai R untuk mengklasifikasi kasus sebagai sempurna atau dekat adalah domain tergantung dan, karenanya, harus diperoleh melalui basis pengetahuan. Kasus-kasus yang dipilih adalah memerintahkan dan diambil untuk solusi transformasi. Klasifikasi ini kasus menggunakan norma relevansi R ini juga berguna untuk memutuskan kemudian apakah atau tidak kasus baru harus disimpan dalam basis kasus. Karena nilai-nilai harfiah dari kualitatif yang mengatur atribut akan persis cocok dengan masalah saat ini dalam tahap seleksi sebelumnya, hanya nilai numerik dari atribut yang dipertimbangkan pada tahap ini untuk menghitung norma relevansi dan klasifikasi tingkat pertandingan, yaitu, sempurna atau dekat.. Juga, dalam domain desain rekayasa sebagai atribut yang mengatur mewakili sifat yang berbeda dari artefak desain dan karenanya terkait dengan berbagai unit sesuai dengan sifat mereka mewakili (misalnya, atribut yang mewakili sudut properti akan terkait dengan derajat atau radian dan mereka akan mewakili panjang dalam meter atau kaki), atribut ini nilai harus dinormalisasi (yaitu, dikonversi ke nilai nondimensional). Catatan dalam persamaan di atas bahwa

kuantitas (vi  - Ci ) Dibagi dengan (ui  - Li ) Untuk memperkirakan penyimpangan dalam hal nilai berdimensi. (Vi  - ci ) / (Ui  - Li ), Wi , Dan n adalah jumlah berdimensi.

6.3.1.3 Classification by performance (6.3.1.3 Klasifikasi oleh kinerja)Hal ini diperlukan untuk memiliki informasi / pengetahuan tentang kinerja kasus disimpan sehingga kita dapat menghindarisituasi yang mungkin menyebabkan kinerja rata-rata dan buruk dari solusi berkembang. Kritik desain danmetodologi evaluasi yang dijelaskan dalam bab sebelumnya dapat digunakan untuk mengklasifikasikan kasus sebagai sangat baik, baik,rata-rata dan buruk berdasarkan penilaian ditugaskan untuk kasus oleh proses mengkritisi. Tugas memutuskan padakondisi untuk klasifikasi adalah domain tergantung dan pengetahuan intensif. Oleh karena itu, hal ini dilakukanmelalui basis pengetahuan. Klasifikasi kinerja juga digunakan dalam pemesanan kasus yang harus diambiluntuk transformasi solusi.

6.3.1.4 Illustration of the case retrieval process (6.3.1.4 Ilustrasi dari proses pengambilan kasus)Sebagaimana dijelaskan dalam subbagian di atas tugas proses pengambilan kasus terdiri dari langkah-langkah berikut: (1)pengindeksan, (2) seleksi dengan kondisi pencarian, (3) klasifikasi menurut relevansi dan (4) klasifikasi dengankinerja. Pengindeksan kasus tugas pengetahuan intensif dan skema yang cocok harus dibuattergantung pada persyaratan dari domain aplikasi. Sebuah metodologi generik telah diadopsi untuksisa langkah yang memungkinkan kita untuk melaksanakan dua subtugas proses pengambilan kasus: (a) menyiangijarak jauh terkait kasus menggunakan atribut kuantitatif melalui seleksi oleh kondisi pencarian dan (b) merekaklasifikasi menurut relevansi dan kinerja.Metodologi generik dijelaskan dalam bagian 6.3.1.1 untuk 6.3.1.3 diilustrasikan melalui berikutcontoh.

Pertimbangkan artefak Sebuah ditunjukkan pada Gambar 6.2 yang berisi enam komponen B, C, D, E, F dan G, dan tiga belasatribut, a, b, c, d,......, m. Larutan sampel pohon yang ditunjukkan pada Gambar 6.2 digunakan di sini untuk menjelaskan kasus tersebutproses pengambilan. Misalkan p, q, r, s, dan t menjadi atribut yang mengatur karena mereka penting untuk menentukan kasus dan wp,WQ, wr, saat itu dan berat menjadi beban sesuai yang menentukan kepentingan relatif dari atribut tersebut. Jika pi, qi,ri, si dan ti adalah nilai-nilai atribut-atribut untuk kasus i disimpan dalam kasus dasar, maka tiga langkahdilakukan sebagai berikut.

Seleksi dengan kondisi pencarian:Kondisi pencarian harus ditentukan untuk atribut kuantitatif dan kualitatif. Berdasarkan domainpengetahuan, bawah dan atas batas yang dapat diterima untuk nilai numerik dari mengatur atribut kuantitatif dannilai literal diperlukan atribut yang mengatur kualitatif ditetapkan sebagai kondisi pencarian untuk penyiangankeluar kasus longgar terhubung. Cek dibuat untuk melihat apakah atau tidak nilai-nilai numerik yang sesuaikasus-kasus masa lalu jatuh di batas yang ditentukan dan nilai-nilai literal sesuai dengan nilai literal yang ditentukan, dankasus-kasus yang memenuhi kondisi pencarian yang dipilih. Misalkan p dan q bersifat kualitatif, dan r, s dan tkuantitatif yang mengatur atribut. Ini dapat dikelompokkan menjadi dua set, yaitu, p. Dan q sebagai set pertama, dan r, s dan tsebagai yang kedua, untuk memilih kasus dengan penyiangan kasus longgar terhubung dalam dua tahap, pertama dengan memeriksasecara kualitatif dan kemudian mengatur atribut kuantitatif.Klasifikasi menurut relevansi:Kasus yang berhasil melewati seleksi atas dengan kondisi pencarian diperiksa untuk menentukan

merekarelevansi dengan situasi saat ini. Untuk masalah diambil untuk ilustrasi di sini, wr, itu, dan berat adalah bobot untuk atribut kuantitatif. Biarkan dan nilai dari atribut mereka untuk kasus i dan ar, sebagaimana dan pada akannilai dari atribut r, s dan t masing-masing. Kemudian norma relevansi R untuk kasus saya dihitung menggunakanpersamaan 6.1.