Yapay Zeka şu anda herkesin dilinde. İş süreçlerinde olumlu bir etki elde etmek için bir şekilde bir tür Makine Öğrenimi veya Derin Öğrenme modeli içeren yazılımlar kullanılıyor.
Yapay zeka verilen veri kümesinde ilişkileri kavramak etmek ve bunlar hakkında bir tahminde bulunmak için veriler üzerinde eğitilir. Bununla birlikte, bu, korelasyonun nedensellik anlamına gelmediğini akılda tutmak gerekir.
Derin öğrenme ve bu konudaki çoğu makine öğrenimi (ML) yöntemi, verilerden kalıpları veya ilişkileri öğrenir. Kendi başına, gözlemsel veriler yalnızca muhtemelen değişkenler arasındaki ilişkileri iletebilir – ancak korelasyon nedensellik anlamına gelmez. Elbette verilerde gizli nedensel imzalar olabilir, ancak bunlar belirsizdir ve çoğu zaman eksik değişkenler ve gözlemler, verideki gürültü ve önyargı nedeniyle bozulur, bu da neden ve sonucu kesin olarak tanımlamayı önemsiz hale getirir. Makine öğrenimi sistemleri, girdi verileri ile çıktı tahminleri arasındaki bağlantıları öğrenmede mükemmeldir, ancak neden-sonuç ilişkileri veya ortam değişiklikleri hakkında akıl yürütme konusunda yetersizdir.
Neyse ki, araştırmanın sürekli ilerlemesi ve sürekli artan bilgi işlem kapasitesi, nedenselliği ölçmek için nispeten kolay yeni araçlar kullanmamızı artık mümkün kılıyor.
İşte bu nedenle nedensel çıkarım gibi giderek daha fazla yükselişe geçmesine rağmen, az bilinen bir bilim doğuyor.
Nedensel çıkarım
Nedensel çıkarım, değişkenler arasındaki neden-sonuç ilişkilerini tanımlama ve anlama sürecidir. Epidemiyoloji, ekonomi, siyaset bilimi ve psikoloji dahil birçok araştırma alanında, müdahalelerin, politikaların veya programların etkilerini anlamak için nedensel çıkarım çok önemlidir.
Nedensel makine öğrenimi
Yapay zeka alanında ise, makine öğrenimi modellerinin verilerdeki nedensel ilişkileri yakalama yeteneğini geliştirmeyi amaçlayan, gelişmekte olan bir araştırma alanı olan Nedensel ML geliyor. Makine öğrenimindeki nedensel çıkarım, her ikisini de etkileyen başka değişkenler olabileceğinden, değişkenler arasındaki korelasyonların genellikle nedensel ilişkiler kurmak için yeterli olmadığı fikrine dayanır.
Makine öğrenimindeki nedensel çıkarım, değişkenler arasındaki nedensel ilişkileri hesaba katan teknikler ve algoritmalar kullanarak bu sınırlamayı ele almaya çalışır.
Makine öğreniminde nedensel çıkarımın amacı, sağlık, ekonomi, politika ve adalet gibi alanlarda önemli etkileri olabilecek modellerin doğruluğunu ve yorumlanabilirliğini geliştirmektir. Örneğin, müdahalelerin ve politikaların etkilerini anlamak, verilerdeki önyargıları kontrol etmek ve otomatik kararlarda daha fazla şeffaflık ve açıklanabilirlik sağlamak için nedensel çıkarım modelleri kullanılabilir.
UCLA Bilgisayar Bilimleri Bölümü Bilişsel Sistemler Laboratuvarı’nda profesör ve ünlü nedensellik araştırmacısı Judea Pearl’ün çalışmalarıyla karşılaşmadan bu alanda fazla bir şey okumak mümkün değil. Çalışmaları ona ilk kez 2011’de Bayes ağlarını icat etmesi nedeniyle Turing Ödülü kazandırdı. O zamandan beri AI/ML’ye nedensellik eklemeye çalışan tekil güç oldu.
Nedensel Çıkarım için Açık Kaynak Python Kitaplıkları
DAGitty, nedensel modeller oluşturmak, düzenlemek ve analiz etmek için tarayıcı tabanlı bir ortamdır. Odak noktası, epidemiyoloji ve diğer disiplinlerdeki ampirik çalışmalarda yanlılığı en aza indirmek için nedensel diyagramların kullanılmasıdır.
Do Why — Microsoft’un nedensel düşünce ve analizi ateşlemeyi amaçlayan bir Python kitaplığıdır. Nedensel varsayımları açıkça modellemeye ve bunları mümkün olduğunca doğrulamaya odaklanan nedensel çıkarım için ilkeli dört adımlı bir arayüz sağlar. Kitaplık hakkında daha fazla ayrıntı
https://github.com/py-why/dowhy
Causallib — IBM kitaplığı, birleşik bir scikit-learn-inspired API altında bir dizi nedensel yöntem sağlar. İsteğe bağlı olarak karmaşık makine öğrenimi modellerine bağlanmaya izin veren meta-algoritmalar uygular. Bu modüler yaklaşım, oldukça esnek nedensel modellemeyi destekler. Kitaplık hakkında daha fazla ayrıntı
https://github.com/BiomedSciAI/causallib
Carnegie Mellon’daki Tetrad Projesi.
Inguo.app, NEC’in ticari bir yan ürünüdür ve nedensel analiz için ticari olarak en hazır ve kolay anlaşılır platformu sunuyor gibi görünen Dr. Pearl’ün kendisi tarafından desteklenmektedir. Sunulan SaaS, kullanıcılara temel faktörler ve ne olursa olsun senaryoları hakkında açıklamayı doğrudan kolaylaştırmayı amaçlayan varyasyonlar sunar.