Causal Discovery

El descubrimiento causal es el proceso de aprender posibles relaciones de causa y efecto a partir de datos, representadas habitualmente como un grafo dirigido. A diferencia del aprendizaje automático ordinario, que predice principalmente resultados a partir de patrones, el descubrimiento causal pregunta qué variables pueden influir directamente en otras. Por ejemplo, puede investigar si la lluvia aumenta la congestión del tráfico, si la congestión cambia la sincronización de los semáforos o si ambas cosas están influenciadas por un tercer factor.

El resultado es una hipótesis sobre la estructura causal, no una prueba automática. Su fiabilidad depende de la calidad de los datos, el conocimiento del dominio, los supuestos estadísticos y la validación mediante experimentos o nuevos entornos.

Cómo funciona el descubrimiento causal#

Un sistema de descubrimiento causal trata las variables medidas como nodos y sus posibles relaciones causales como aristas. En una arista dirigida como X → Y, X es una causa directa candidata de Y en relación con las otras variables incluidas en el análisis. Estas relaciones se representan a menudo mediante una red bayesiana o un grafo acíclico dirigido (DAG), lo que significa que las flechas no pueden formar un bucle dirigido.

Los algoritmos suelen aprender la estructura de una de estas tres maneras:

• El descubrimiento basado en restricciones prueba si las variables se vuelven estadísticamente independientes tras condicionarlas a otras variables. La documentación de descubrimiento basado en restricciones de PyWhy explica cómo estos patrones de independencia pueden restringir las posibles estructuras de grafos.
• El descubrimiento basado en puntuaciones compara grafos candidatos utilizando una puntuación que equilibra el ajuste frente a la complejidad.
• El descubrimiento basado en modelos funcionales asume que las variables se generan a través de relaciones matemáticas particulares y patrones de ruido. En un entorno acíclico lineal no gaussiano, la asimetría en los datos puede ayudar a determinar la dirección de la arista.

La documentación de causal-learn ofrece implementaciones que abarcan estas categorías. Sin embargo, los datos observacionales a menudo respaldan varios grafos equivalentes en lugar de un único DAG orientado de forma única.

Conceptos clave y términos relacionados#

El descubrimiento causal debe distinguirse de varias ideas relacionadas:

• La correlación mide la asociación estadística. Dos variables pueden moverse juntas porque una causa la otra, la causalidad funciona a la inversa o una tercera variable afecta a ambas. La guía de Google sobre correlación y causalidad destaca por qué la asociación predictiva por sí sola es insuficiente.
• La inferencia causal estima el efecto de una intervención definida, como cambiar la configuración de una máquina. El descubrimiento propone el grafo; la inferencia utiliza un grafo asumido para responder a una pregunta de efecto específico. La guía de modelado causal de DoWhy muestra cómo los grafos hacen explícitos estos supuestos.
• El aprendizaje de representación causal busca variables latentes significativas a partir de entradas complejas como imágenes. El descubrimiento causal suele estudiar las relaciones entre variables que ya han sido definidas.
• La inteligencia artificial explicable describe por qué un modelo produjo una predicción. La importancia de las características puede explicar una predicción sin mostrar que cambiar la característica cambiaría el resultado en el mundo real.

Entre los conceptos importantes de los grafos se incluyen los factores de confusión, que influyen tanto en una causa propuesta como en el resultado; los mediadores, que transmiten un efecto; y los colisionadores, que están influenciados por otras dos variables. La introducción a los DAG causales de UCLA explica por qué condicionar a la variable incorrecta puede introducir sesgo en lugar de eliminarlo.

Aplicaciones reales de IA y visión artificial#

• Inspección de fabricación: Un sistema de visión por computador puede registrar recuentos de defectos, velocidad de la cinta transportadora, tipo de material, temperatura y eventos de mantenimiento. El descubrimiento causal puede sugerir si una velocidad mayor contribuye directamente a los defectos o si ambos son consecuencia de una mayor demanda de producción. Esta distinción importa antes de ralentizar la línea o cambiar los programas de mantenimiento.

• Gestión del tráfico: La detección de objetos y el seguimiento de objetos pueden producir recuentos de vehículos, longitudes de cola y trayectorias de movimiento. Combinado con el clima, los incidentes y la configuración de los semáforos, el descubrimiento causal puede ayudar a distinguir si la sincronización de los semáforos crea colas largas o se ajusta en respuesta a la congestión existente. Dicha direccionalidad es esencial al seleccionar una intervención política.

Estos grafos pueden guiar posteriormente el análisis de hipótesis, incluidas las simulaciones descritas en la documentación de intervención de DoWhy.

Construcción de variables a partir de datos de visión#

Las salidas de Ultralytics YOLO pueden proporcionar variables observadas para un conjunto de datos causal más amplio. Este ejemplo utiliza YOLO26 y el modo de predicción para extraer recuentos de una imagen:

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})

Ejecutar este flujo de trabajo en muchas marcas de tiempo, cámaras o condiciones de operación crea observaciones que se pueden combinar con variables contextuales. Una anotación de datos de alta calidad y una medición consistente son fundamentales porque los errores de detección pueden crear dependencias falsas. La plataforma de Ultralytics puede respaldar la anotación de conjuntos de datos en la nube, el entrenamiento de modelos, el despliegue y la monitorización dentro de este canal más amplio.

Limitaciones y orientación práctica#

El descubrimiento causal no puede recuperar de forma fiable variables que nunca se midieron. Los factores de confusión ocultos, el sesgo de conjuntos de datos, los efectos de selección, las muestras pequeñas y los errores de medición pueden producir aristas engañosas.

Antes de actuar sobre un grafo descubierto:

1. Añade restricciones temporales y físicas conocidas.
2. Prueba si las aristas se mantienes estables entre sitios, periodos de tiempo y subconjuntos de datos.
3. Compara el grafo con el conocimiento de expertos.
4. Cuantifica la incertidumbre en lugar de tratar cada arista como segura.
5. Valida las relaciones importantes mediante intervenciones controladas cuando sea viable.

Por último, utiliza la estimación del efecto causal —y no solo el descubrimiento de grafos— para medir el tamaño de la intervención. La documentación de efectos de tratamiento de EconML ilustra esta etapa de estimación independiente. El descubrimiento causal es más valioso como una forma estructurada de generar, cuestionar y refinar hipótesis causales antes de tomar decisiones en el mundo real.