Causal Inference

Wprowadzenie

Causal Inference (Wnioskowanie przyczynowe) to dziedzina nauki, która zajmuje się ustalaniem prawdziwych relacji przyczynowo-skutkowych między zmiennymi. W przeciwieństwie do tradycyjnej statystyki i uczenia maszynowego, które skupiają się głównie na korelacjach, causal inference próbuje odpowiedzieć na pytanie: "Co by się stało, gdybyśmy zmienili tę zmienną?"

Dlaczego to tak ważne?

Współczesne modele AI są świetne w przewidywaniu, ale bardzo słabe w rozumieniu dlaczego coś się dzieje. Causal Inference jest kluczowe do budowania naprawdę inteligentnych systemów, które mogą planować, wnioskować i podejmować decyzje w nieznanych sytuacjach.

Główne szkoły myślenia

• Do-Calculus – Judea Pearl – grafy przyczynowe i matematyczny język interwencji

• Potential Outcomes Framework – Donald Rubin – counterfactuals (co by było gdyby...)

• Structural Equation Models – ekonomia i nauki społeczne

Podstawowe pojęcia

• Counterfactuals – co by się stało, gdybyśmy zmienili jedną zmienną

• Confounding – zmienna zakłócająca, która tworzy fałszywą korelację

• Selection Bias – błąd wynikający z nieprzypadkowego doboru próby

• Mediation Analysis – badanie mechanizmów pośredniczących

Zastosowania w AI

• Explainable AI – wyjaśnianie decyzji modeli

• Counterfactual Fairness – eliminacja dyskryminacji w modelach

• Causal Reinforcement Learning – uczenie przez interwencje

• Root Cause Analysis w systemach produkcyjnych i IT

• Ocena wpływu interwencji w medycynie, marketingu i polityce publicznej

• Budowa modeli odpornych na zmiany dystrybucji danych

Narzędzia i biblioteki

DoWhy (Python), CausalML, EconML, CausalImpact, DoWhy, Pyro, Pyro Causal, Tetrad.

office@freenetmedia.pl