Penalaran berbasis aturan (rule-based reasoning) dalam kecerdasan buatan adalah metode yang menggunakan aturan if-then untuk menghasilkan kesimpulan atau tindakan berdasarkan data input. Sistem ini memiliki dua komponen utama: basis pengetahuan dan mesin inferensi. Basis pengetahuan berisi aturan-aturan yang telah ditentukan, sementara mesin inferensi bertugas mengevaluasi aturan-aturan ini sesuai data yang dimasukkan. Ada dua pendekatan utama dalam inferensi: forward chaining, yang memulai dari data dan memicu aturan untuk mencapai kesimpulan, dan backward chaining, yang memulai dari kesimpulan yang ingin dicapai dan bekerja mundur untuk menemukan data yang mendukung. Penalaran berbasis aturan cocok untuk tugas yang memiliki aturan logis yang jelas, seperti diagnosis sederhana atau sistem rekomendasi berdasarkan kondisi spesifik. Namun, sistem ini terbatas pada aturan yang sudah ada, sehingga tidak fleksibel untuk belajar dari data baru.
Penalaran berbasis kasus (case-based reasoning), di sisi lain, adalah metode yang menyelesaikan masalah baru dengan mengacu pada solusi dari kasus-kasus serupa di masa lalu. Metode ini bekerja dengan mencari kasus terdahulu yang paling mirip dengan masalah saat ini dalam basis data kasus, kemudian menyesuaikan solusi dari kasus tersebut untuk diterapkan pada masalah baru. Jika solusi yang disesuaikan berhasil, maka kasus baru ini akan disimpan sebagai referensi untuk kasus mendatang. Langkah-langkah dalam metode ini mencakup pencarian kasus, adaptasi solusi, penerapan solusi, dan pembelajaran dari hasil. Penalaran berbasis kasus berguna dalam situasi di mana pengalaman masa lalu memberikan wawasan penting, seperti dalam diagnosa medis yang kompleks atau rekomendasi perbaikan mesin. Metode ini memungkinkan sistem untuk terus belajar dari pengalaman, tetapi memerlukan basis data kasus yang luas agar efektif.