Causal Discovery

Das Verständnis von Ursache und Wirkung auf der Grundlage von Beobachtungsdaten bedeutet in erster Linie, dass mögliche „Confounder“ (indirekte Erklärungen für ein Zielereignis) bereinigt werden müssen. Fehlende Informationen zu Confoundern führen daher zu fehlerhaften Schlussfolgerungen über kausale Effekte – und das gilt auch, wenn man immer nur Teile eines komplexen Objekts analysieren kann. Die ganzheitliche Objektanalyse von Xplain Data bietet daher neuartige Möglichkeiten, potenzielle Ursache-Wirkungs-Beziehungen aufzudecken: Die Fülle an Informationen, die in einem solchen Objektmodell gespeichert ist, wird genutzt, um Millionen von Hypothesen schnell zu evaluieren und nur die Faktoren darzustellen, deren Wirkung nicht durch „andere Faktoren“ (Confounder) erklärt werden kann. Ohne Experiment ist das immer noch kein Beweis für eine Kausalität, aber wir können Unmengen von bedeutungslosen Korrelationen aussortieren und Ihnen helfen, schnell zu relevanten Hypothesen über kausale Effekte zu gelangen.

Kausale Abhängigkeiten zu kennen bedeutet, ein System beeinflussen zu können – ein wichtiger Schritt auf dem Weg zu intelligenten Systemen in realen Umgebungen.

Beispiel: Faktoren, die – entsprechend den Causal Discovery Verfahren – potentiell Brustkrebs auslösen, einschließlich einer grafischen Darstellung, die die direkten und indirekten Auswirkungen auf das Ziel der Analyse visualisiert.

Die Algorithmen zur Erkennung kausaler Zusammenhänge sind in den Object Explorer und sein interaktives Bedienkonzept eingebettet: Einmal konfiguriert, genügt ein Klick auf ein Ziel, und Sie sehen, was dieses Ziel antreibt oder möglicherweise verursacht. Der Experte kann bestimmte Faktoren ablehnen, nach Alternativen fragen … und so schließlich zu Ergebnissen gelangen, die Wissen aus Daten mit Fachexpertise kombinieren.

Jeder dieser Algorithmen kann auch in einer Python-Umgebung verwendet werden. Sehen Sie sich Paula an, um unseren Causal Discovery-Ansatz auf einer intuitiven Ebene zu verstehen.