Case-based reasoning (CBR) is a problem solving technique by re-using past cases and experiences to find a solution to the problems. While other major artificial intelligence techniques rely on making associations along generalized relationships between problem descriptors and conclusions, CBR is able to benefit from utilizing the case specific knowledge of previously experienced, concrete problem situations.
A critical issue in CBR is to retrieve not just a similar past case but a usefully similar case to the problem. For this reason, the integration of domain general knowledge into case indexing and retrieving processes is highly recommended in building a CBR system. However, this task is difficult to carry out since such knowledge often cannot be successfully and exhaustively captured and represented.
This study proposes a hybrid CBR models using genetic algorithms and inductive learning for an effective knowledge based system. Chapter 3 proposes a hybrid model of CBR using GAs to find an optimal or near optimal weight vector for the attributes of cases in case indexing and retrieving. We apply this weight vector to the matching and ranking procedures of CBR. In Chapter 4, we propose another hybrid approach of CBR using inductive learning technique. While induction compiles past experiences into general knowledge, CBR directly interprets past experiences. Since induction extracts explicit knowledge from the data, CBR can be benefited from an integrated approach.
The GA-CBR and the INDUCTION-CBR integration reap the benefits of both systems. Case-based reasoning techniques provide analogical reasoning structures for experience-rich domains while GAs provide case-based reasoning with knowledge through machine learning. We suggest these approaches as a unifying framework to combine general domain knowledge and case specific knowledge. Our proposed approaches are demonstrated by applications to corporate bond rating.
기업의 채권등급 평가는 채권발행기업의 채무 불이행 위험을 평가하는 것으로 평가결과는 채권의 발행자 및 투자자 모두에게 있어서 중요한 정보를 제공한다. 채권등급 평가는 기업신용평가 전문회사에서 이루어지는데, 신용평가회사의 평가결과는 해당기업의 유가증권의 발행 및 금융기관의 여신결정시 대출여부 및 금리 등의 조건을 결정하는 중요한 근거가 된다.
전통적으로 채권등급 평가에 관한 연구는 회귀분석 (regression), 판별분석 (discriminant analysis), 로짓 (logit), 프로빗 (probit) 등 통계적 접근 방법에 의하여 주로 이루어져 왔다. 그러나 최근 들어 인공신경망 (neural networks), 귀납적 학습방법 (inductive learning), 사례기반추론 (case-based reasoning) 등 인공지능 기법들의 적용이 활발해 지고 있다. 인공지능 기법을 적용한 많은 선행 연구들은 통계기법을 적용한 모형에 비하여 우수한 성과를 보이는 것으로 보고하고 있다.
본 연구는 채권등급 평가모형의 기법으로 최근 그 적용이 활발한 사례기반추론 기법을 사용하였다. 사례기반추론은 과거의 유사한 사례를 저장하여 향후 문제 해결에 사용하는 추론방법으로, 기억, 추론, 적용 등 제 과정이 인간의 문제해결 과정과 유사하다는 특징을 가지고 있다. 주로 의학, 법률, 설계 및 분석 등 많은 경험에 의해 전문성이 확보되는 특징을 가지는 분야에 적용하는 것이 적절한 것으로 알려져 있다.
사례기반추론은 또한 다음과 같은 특징을 가지고 있다. 다른 인공지능 기법들인 인공신경망, 귀납적 학습방법, 유전자 알고리즘 기법 등은 적용 분야의 일반화된 지식을 추출하는 기법인 반면, 사례기반 추론은 사례 하나 하나를 지식표현과 해결 방법으로 사용한다. 이러한 접근방법은 사례기반추론이 가지는 가장 특징 적인 측면의 하나로, 사례 특유의 지식을 활용할 수 있다는 장점이 있는 반면에, 적용분야의 일반적 지식이 무시될 수 있는 위험도 내포하고 있다고 볼 수 있다.
사례기반추론 기법을 적용함에 있어서 가장 어렵고 중요한 문제는 어떻게 문제 해결에 유용한 과거 사례를 추출하느냐 하는 것이다. 단순히 유사한 사례의 추출은 문제를 실질적으로 해결하는데 도움을 주지 못할 가능성이 있다. 유사한 사례가 아닌 유용한 사례를 추출하기 위해서는 적용분야의 일반화된 지식이 사례의 인덱싱과 (indexing) 과 추출과정에 반영되는 것이 바람직할 것이다. 많은 선행 연구들은 유용한 사례를 효과적으로 추출하기 위한 다양한 인덱싱 (indexing) 및 추출 방법론들을 제시하고 있으나, 명확한 목적함수에 의한 최적화는 거의 시도된 바가 없는 상황이다.
본 연구에서는 적용분야의 일반적 지식과 사례 특유의 지식을 결합하는 지식기반 시스템의 구축을 위해 타 인공지능 기법과의 통합적 방법론을 제시하였다. 기계학습 (machine learning)에 의해 적용분야의 일반적 지식을 추출하고, 이를 사례기반추론 모형의 인덱싱 (indexing) 및 추출 과정에 반영함으로써 문제 해결을 위해 추출된 과거 사례의 유용성을 효과적으로 제고하는 방법론을 제시하였다.
본 연구에서 적용분야의 일반화된 지식을 추출하기 위해 사용한 기계학습 기법은 유전자 알고리즘 (genetic algorithms)과 귀납적 학습방법의 하나인 ID3 알고리즘이다. 유전자 알고리즘 (genetic algorithms)은 최적화, 데이터 마이닝 (data mining) 등에 주로 사용되는 인공지능 기법으로, 본 연구에서는 사례기반추론에 사용된 변수들의 상대적 중요도를 평가 및 반영하여 모형을 최적화 하는데 적용하였다. ID3 알고리즘은 적용분야의 일반화된 규칙을 생성하고, 이 규칙에 의해 사례들을 군집화 하는데 적용하였다. 통합모형에서는 유사 사례의 추출을 공통된 특성을 가지는 군집 내로 제한함으로써 적용분야의 일반화된 지식이 사례의 추출에 반영되도록 하였다. 본 연구에서 제시한 통합형 사례기반추론 모형의 유용성은 채권등급 평가모형의 구축과 적중률에 기반한 성과를 측정함으로써 입증하였다. 연구결과 개별모형 및 선행연구에 비해 우수한 적중률을 보이고 있다.
본 연구에서 문제해결에 사용하고 있는 사례들은 기업의 재무 및 비재무 정보와 함께 해당기업의 신용등급으로 이루어져 있다. 사례기업의 신용등급은 신용평가기관의 심사역들에 의해 평가된 것으로, 과거의 심사 자체에 오류가 있을 경우, 혹은 경제 환경에 구조적 변화가 있을 경우 그 유용성은 저하된다고 할 수 있다. 이는 모형에 기반한 신용평가 시스템이 공통적으로 안고 있는 문제라고도 볼 수 있다. 더욱 효과적인 신용평가 모형을 위해서는 이러한 한계점을 완화하는 향후 연구가 필요할 것으로 보인다.
