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.
Powiązane pojęcia
Judea Pearl • Do-Calculus • Counterfactuals • Confounding • Selection Bias • Causal Discovery • Double Machine Learning • Causal Reinforcement Learning • Explainable AI