Causal Inference

Wprowadzenie

<strong>Causal Inference (Wnioskowanie przyczynowe)</strong> 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: <strong>"Co by się stało, gdybyśmy zmienili tę zmienną?"</strong>

Dlaczego to tak ważne?

Współczesne modele AI są świetne w przewidywaniu, ale bardzo słabe w rozumieniu <em>dlaczego</em> 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

• <strong>Do-Calculus</strong> – Judea Pearl – grafy przyczynowe i matematyczny język interwencji
• <strong>Potential Outcomes Framework</strong> – Donald Rubin – counterfactuals (co by było gdyby...)
• <strong>Structural Equation Models</strong> – ekonomia i nauki społeczne

Podstawowe pojęcia

• <strong>Counterfactuals</strong> – co by się stało, gdybyśmy zmienili jedną zmienną
• <strong>Confounding</strong> – zmienna zakłócająca, która tworzy fałszywą korelację
• <strong>Selection Bias</strong> – błąd wynikający z nieprzypadkowego doboru próby
• <strong>Mediation Analysis</strong> – 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.