Causal Discovery

الاكتشاف السببي هو عملية تعلم علاقات السبب والنتيجة المحتملة من البيانات، وعادة ما يتم تمثيلها كرسام بياني موجه. على عكس التعلم الآلي العادي، الذي يتنبأ في المقام الأول بالنتائج من الأنماط، يتساءل الاكتشاف السببي عن المتغيرات التي قد تؤثر بشكل مباشر على المتغيرات الأخرى. على سبيل المثال، قد يبحث عما إذا كان المطر يزيد من ازدحام المرور، أو ما إذا كان الازدحام يغير توقيت الإشارات، أو ما إذا كان كلاهما يتأثر بعامل ثالث.

النتيجة هي فرضية حول البنية السببية، وليست إثباتاً تلقائياً. تعتمد موثوقيتها على جودة البيانات، والمعرفة بالمجال، والافتراضات الإحصائية، والتحقق من خلال التجارب أو البيئات الجديدة.

كيف يعمل الاكتشاف السببي#

يعامل نظام الاكتشاف السببي المتغيرات المقاسة كعقد وعلاقاتها السببية المحتملة كحواف. في حافة موجهة مثل X → Y، يُعد X سبباً مباشراً محتملاً لـ Y نسبةً إلى المتغيرات الأخرى المدرجة في التحليل. غالباً ما يتم تمثيل هذه العلاقات بواسطة شبكة بايزية أو رسام بياني موجه بلا دورات، مما يعني أنه لا يمكن للأسهم تشكيل حلقة موجهة.

تتعلم الخوارزميات البنية عادةً بواحدة من ثلاث طرائق:

• الاكتشاف القائم على القيود يختبر ما إذا كانت المتغيرات تصبح مستقلة إحصائياً بعد التكييف على متغيرات أخرى. توضح توثيق الاكتشاف القائم على القيود في PyWhy كيف يمكن أن تقيد أنماط الاستقلال هذه هياكل الرسوم البيانية المحتملة.
• الاكتشاف القائم على النقاط يقارن الرسوم البيانية المرشحة باستخدام نقاط توازن بين مدى الملائمة وتعقيدها.
• الاكتشاف القائم على النماذج الوظيفية يفترض أن المتغيرات يتم إنشاؤها من خلال علاقات رياضية معينة وأنماط ضوضاء. في إعداد خطي غير غاوسي بلا دورات، قد تساعد عدم التناظر في البيانات في تحديد اتجاه الحافة.

توفر توثيق causal-learn عمليات تنفذ هذه الفئات. ومع ذلك، غالباً ما تدعم البيانات الرصدية عدة رسوم بيانية متكافئة بدلاً من رسام بياني موجه بلا دورات فريد من نوعه.

المفاهيم الرئيسية والمصطلحات ذات الصلة#

يجب تمييز الاكتشاف السببي عن عدة أفكار ذات صلة:

• الارتباط يقيس الارتباط الإحصائي. يمكن أن يتحرك متغيرا معاً لأن أحدهما يسبب الآخر، أو لأن السببية تعمل في الاتجاه المعاكس، أو لأن متغيراً ثالثاً يؤثر على كليهما. تسلط إرشادات Google حول الارتباط والسببية الضوء على سبب عدم كفاية الارتباط التنبئي وحده.
• الاستدلال السببي يقدر تأثير تدخل محدد، مثل تغيير إعداد في آلة. يقترح الاكتشاف الرسام البياني؛ بينما يستخدم الاستدلال رساماً بيانياً مفترضاً للإجابة عن سؤال تأثير معين. يوضح دليل النمذجة السببية DoWhy كيف تجعل الرسوم البيانية هذه الافتراضات واضحة.
• تسعى تعلم التمثيل السببي إلى إيجاد متغيرات كامنة ذات معنى من مدخلات معقدة مثل الصور. يدرس الاكتشاف السببي عادةً العلاقات بين المتغيرات التي تم تحديدها بالفعل.
• يصف الذكاء الاصطناعي القابل للتفسير سبب إنتاج النموذج لتنبؤ معين. يمكن لأهمية الميزات شرح التنبؤ دون إظهار أن تغيير الميزة سيغير النتيجة في العالم الحقيقي.

تشمل مفاهيم الرسوم البيانية المهمة المتغيرات المربكة، التي تؤثر على كل من السبب المقترح والنتيجة؛ والوسطاء، التي تنقل التأثير؛ والمصادمات، التي يتأثر بها متغيران أخرى. تشرح مقدمة UCLA للرسوم البيانية السببية لـ سبب أن التكييف على المتغير الخطأ يمكن أن يدخل انحيازاً بدلاً من إزالته.

تطبيقات الذكاء الاصطناعي والرؤية الحاسوبية في العالم الحقيقي#

• فحص التصنيع: قد يسجل نظام رؤية حاسوبية عدد العيوب، وسرعة سير النقل، ونوع المواد، ودرجة الحرارة، وأحداث الصيانة. يمكن أن يقترح الاكتشاف السببي ما إذا كانت السرعة الأعلى تساهم بشكل مباشر في حدوث العيوب أو ما إذا كان كلاهما ناتجاً عن زيادة طلب الإنتاج. هذه التفرقة مهمة قبل إبطاء خط الإنتاج أو تغيير جداول الصيانة.

• إدارة المرور: يمكن لـ كشف الكائنات وتتبع الكائنات إنتاج عداد المركبات، وأطوال الطوابير، ومسارات الحركة. بالاقتران مع الطقس، والحوادث، وإعدادات الإشارات، قد يساعد الاكتشاف السببي في التمييز عما إذا كان توقيت الإشارة يخلق طوابير طويلة أم يتم تعديله استجابة للازدحام الحالي. تعد هذه الاتجاهية ضرورية عند اختيار تدخل سياسي.

يمكن لهذه الرسوم البيانية توجيه تحليل ما لو لاحقاً، بما في ذلك المحاكاة الموصوفة في توثيق تدخل DoWhy.

بناء المتغيرات من بيانات الرؤية#

يمكن أن توفر مخرجات YOLO من Ultralytics متغيرات مرصودة لمجموعة بيانات سببية أكبر. يستخدم هذا المثال YOLO26 ووضع التنبؤ لاستخراج العد من صورة:

from ultralytics import YOLO

# Run object detection
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# Convert detections into measurable variables
result = results[0]
detected_objects = [result.names[int(class_id)] for class_id in result.boxes.cls]

person_count = detected_objects.count("person")
total_objects = len(detected_objects)

print({"person_count": person_count, "total_objects": total_objects})

يؤدي تشغيل تدفق العمل هذا عبر العديد من الطوابع الزمنية، أو الكاميرات، أو ظروف التشغيل إلى إنشاء ملاحظات يمكن دمجها مع المتغيرات السياقية. يعد تسميات البيانات عالية الجودة والقياس المتسق أمراً بالغ الأهمية لأن أخطاء الاكتشاف يمكن أن تخلق تبعيات خاطئة. يمكن لـ منصة Ultralytics دعم تسميات مجموعات البيانات السحابية، وتدريب النماذج، والنشر، والمراقبة داخل هذا التدفق الأوسع.

القيود والتوجيه العملي#

لا يمكن للاكتشاف السببي استعادة المتغيرات التي لم يتم قياسها أبداً بشكل موثوق. يمكن أن تنتج المتغيرات المربكة الخفية، وانحياز مجموعة البيانات، وآثار الاختيار، والعينات الصغيرة، وأخطاء القياس حواف مضللة.

قبل التصرف بناءً على رسام بياني تم اكتشافه:

1. أضف القيود الزمنية والفيزيائية المعروفة.
2. اختبر ما إذا كانت الحواف تظل مستقرة عبر المواقع، وفترات الزمن، ومجموعات البيانات الفرعية.
3. قارن الرسام البياني بمعرفة الخبراء.
4. قم بقياس عدم اليقين بدلاً من التعامل مع كل حافة على أنها مؤكدة.
5. تحقق من صحة العلاقات المهمة من خلال التدخلات الخاضعة للرقابة عندما يكون ذلك ممكناً.

أخيراً، استخدم تقدير التأثير السببي - وليس اكتشاف الرسام البياني وحده - لقياس حجم التدخل. توضح توثيق تأثير العلاج في EconML مرحلة التقدير المنفصلة هذه. يعد الاكتشاف السببي قيماً للغاية كطريقة منظمة لتوليد، وتحدي، وتحسين الفرضيات السببية قبل اتخاذ قرارات في العالم الحقيقي.