White Paper

English

Sie finden die deutschen Versionen der White Paper zum Download weiter unter.

From Correlation to Causation to Artificial Intelligence

Correlation does not equal causation. And unfortunately, cause and effect cannot be proven from observational data – but we can gain important clues about causal relationships. Read how an intensive, algorithmic search for alternative explanations brings to light a small set of direct and potentially causal factors. We show an example where we predict depressive episodes, revealing effects and side effects of specific groups of drugs and how they affect different groups of patients. Thus, causality becomes an important pillar for future AI systems – not only in healthcare.

From Observational Data to Causal Discovery

How do you get from “Big Data” to valuable insights? This white paper explains by way of example the difference between observational data and data collected under experimental conditions – and casts an eye on the challenges posed by purely observational data. Learn what it takes to identify potential cause-and-effect relationships from such data, and what contribution Xplain Data provides to make sense of and intelligently use large volumes of complex observational data – so-called “Big Data”.

From Relational Tables to “Object Analytics”

Relational databases are a key element in the today’s world of data. They are a perfect solution for what they were built for: transactional management of data. Which means that the object (e.g. “The Patient”) is split into different entities and stored in different tables.

This makes it hard to analyze the object “as a whole”. And that’s exactly what Object Analytics facilitates – it is simply the best solution for “holistic analytics”. This whitepaper explains our patented “Object Analytics” paradigm and typical analytic operations on whole objects that it supports.

White Paper

Deutsch

White Paper “Von Korrelation über Kausalität zur künstlichen Intelligenz”

Korrelation ist nicht gleich Kausalität. Und leider lassen sich Ursache und Wirkung nicht anhand von Beobachtungsdaten nachweisen – doch wir können wichtige Hinweise auf kausale Zusammenhänge gewinnen. Lesen Sie, wie eine intensive, algorithmische Suche nach alternativen Erklärungen eine kleine Gruppe direkter und potenziell kausaler Faktoren zu Tage bringt. Wir zeigen ein Beispiel, bei dem wir depressive Episoden vorhersagen und dabei Wirkungen und Nebenwirkungen bestimmter Medikamentengruppen offenlegen und wie diese auf verschiedene Patientengruppen wirken. So wird Kausalität eine wichtige Säule für zukünftige KI Systeme – nicht nur im Gesundheitswesen.

White Paper: “Von Beobachtungsdaten zu Causal Discovery”

Wie kommt man von „Big Data“ zu wertvollen Einsichten? Dieses White Paper erklärt beispielhaft den Unterschied zwischen Beobachtungsdaten und Daten, die unter experimentellen Bedingungen erhoben werden – und wirft einen Blick auf die Herausforderungen, die reine Beobachtungsdaten mit sich bringen. Erfahren Sie, was notwendig ist, um potenzielle Ursache-Wirkungs-Zusammenhänge aus solchen Daten zu ermitteln, und welchen Beitrag Xplain Data leistet, um große Mengen komplexer Beobachtungsdaten – sogenannte „Big Data“ – sinnvoll und intelligent zu nutzen.

From Relational Tables to “Object Analytics”

Relationale Datenbanken sind ein Schlüsselelement in der heutigen Welt der Daten. Sie sind eine perfekte Lösung für das, wofür sie geschaffen wurden: die transaktionale Verwaltung von Daten. Dort wird das Objekt (z. B. “Der Patient”) in verschiedene Entitäten aufgeteilt und in verschiedenen Tabellen gespeichert. Das macht es schwierig, das Objekt “als Ganzes” zu analysieren. Und genau das ermöglicht Object Analytics – es ist deshalb die beste Lösung für “holistische Analysen”. Dieses Whitepaper erläutert unser patentiertes “Object Analytics”-Paradigma und die typischen analytischen Verfahren für ganze Objekte, die es unterstützt.