什么是因果人工智能？

因果人工智能使数据科学家能够探究导致特定事件的根本原因。这与大多数机器学习算法不同；后者通常通过识别训练过程中习得的模式来预测结果。我们将探讨因果人工智能与其他人工智能模型的区别。

关联人工智能

关联人工智能是基于已学习的数据集进行预测的统计模型。尽管该模型能根据输入数据点预测可能的结果，但无法确定特定事件的确切因果因素。此外，关联人工智能可能会因其训练数据的特性而产生偏差。

相比之下，因果人工智能能够自信地解析事件之间复杂的因果关系。因果人工智能模型不做假设，而是基于事实和观测结果进行预测。借助因果推理，该模型能够可视化其得出特定预测的路径。

生成式人工智能

生成式人工智能包含大语言模型，能够通过学习海量数据集来生成独特内容。与因果人工智能不同，生成式人工智能无法建立变量之间未知的因果关系。与其他纯预测模型一样，生成式人工智能根据给定提示的概率可能性来推断最可能的答案。

另一方面，因果人工智能模型则基于分析历史数据时发现的证据进行推断。因果人工智能不做假设，而是研究数据点之间的关系，从而进行精确建模。与生成式人工智能不同，因果模型是可解释的，其每一个决策都能追溯到确定的因素。

可解释人工智能

由于深度学习算法具有黑箱般的架构，因此解释其生成的结果几乎是不可能的。借助可解释人工智能，数据科学家可以应用诸如 Shapley 加性解释（SHAP）和局部可解释模型无关解释（LIME）等技术来评估模型特征在进行预测时的影响力。

可解释人工智能旨在解释模型在做出预测后为何得出特定结果。相比之下，因果人工智能在模型构建的早期阶段就引入了可解释性，因此透明度更高。从一开始，观察者就能看到每一个决策。

因果人工智能使数据科学家能够超越传统的回归分析和概率建模。其工作原理是系统性地检查观测数据中先于决策发生的各种因素。为此，因果模型必须从收集到的信息中发现可能存在的偏差。

随后，数据科学家构建结构化因果模型，将根本原因与相应结果之间的关系可视化。他们还会结合领域专业知识，以提高分析结果的准确性并优化干预措施。数据科学家利用因果发现、故障树分析和因果推断等技术，从数据中高精度地推断因果关系。

因果发现算法

因果发现是指识别数据点之间可能存在的关系，并用因果图将其表示出来的过程。因果图是描述变量间相互影响方式的图示。数据科学家使用基于评分和基于约束的发现算法来构建因果图。

基于评分

基于评分的因果发现方法会为有向无环图（DAG）分配一个置信度评分；DAG 是数据科学家用于分析因果关系的最简单的因果图形式。这种方法能够准确发现那些同时影响“因”和“果”的未知变量。以下是几种基于评分法开发的因果发现算法：

• 贪婪等价搜索（GES）通过在前向和后向阶段优化评分函数，得出最高评分。

• 贪婪干预等价搜索（GIES）引入了转换阶段，在 GES 的基础上进行了扩展，从而提高建模准确性。

• 快速贪婪等价搜索（FGES）的运作方式与 GES 类似，但通过并行计算数据加快了估算速度。

基于约束

基于约束的因果发现方法假设特定的因果因素以某种方式关联着数据集中的变量。该方法选择能够满足所有独立性条件或约束的因果模型。通常，基于约束的方法比基于评分的方法效率更高，但也更容易受到误差的影响。

故障树分析

某些因果人工智能模型采用故障树分析来确定因果关系。故障树分析是一种逻辑技术，有助于分析人员追溯故障点并找到其根本原因。该方法首先将问题定义为一个节点，然后采用自上而下的方式，依次分支推导出中间原因和根本原因。

因果推理

因果推理是评估特定变量在因果关系中所占比重的学科。数据科学家通过测量从实验数据和历史数据中观察到的因果效应来验证其假设。他们利用研究结果来理解并预测各种干预措施如何以不同方式影响结果。