Causal Discovery

La scoperta causale è il processo di apprendimento di possibili relazioni di causa-effetto dai dati, solitamente rappresentate come un grafo diretto. A differenza del normale apprendimento automatico, che prevede principalmente i risultati dai pattern, la scoperta causale chiede quali variabili possano influenzare direttamente altre. Ad esempio, potrebbe indagare se la pioggia aumenta la congestione del traffico, se la congestione modifica la tempistica dei semafori o se entrambe siano influenzate da un terzo fattore.

Il risultato è un'ipotesi sulla struttura causale, non una prova automatica. La sua affidabilità dipende dalla qualità dei dati, dalla conoscenza del dominio, dalle assunzioni statistiche e dalla convalida attraverso esperimenti o nuovi ambienti.

Come funziona la scoperta causale#

Un sistema di scoperta causale tratta le variabili misurate come nodi e le loro possibili relazioni causali come archi. In un arco diretto come X → Y, X è una causa diretta potenziale di Y rispetto alle altre variabili incluse nell'analisi. Queste relazioni sono spesso rappresentate da una rete Bayesiana o da un grafo aciclico diretto (DAG), il che significa che le frecce non possono formare un ciclo diretto.

Gli algoritmi generalmente apprendono la struttura in uno di questi tre modi:

• La scoperta basata sui vincoli verifica se le variabili diventano statisticamente indipendenti dopo il condizionamento su altre variabili. La documentazione sulla scoperta basata sui vincoli di PyWhy spiega come questi pattern di indipendenza possano limitare le possibili strutture dei grafi.
• La scoperta basata sui punteggi confronta i grafi candidati utilizzando un punteggio che bilancia l'adattamento rispetto alla complessità.
• La scoperta basata su modelli funzionali presuppone che le variabili siano generate attraverso particolari relazioni matematiche e pattern di rumore. In un contesto lineare non gaussiano aciclico, l'asimmetria nei dati può aiutare a determinare la direzione dell'arco.

La documentazione di causal-learn fornisce implementazioni che coprono queste categorie. Tuttavia, i dati osservazionali spesso supportano diversi grafi equivalenti anziché un unico DAG orientato in modo univoco.

Concetti chiave e termini correlati#

La scoperta causale deve essere distinta da diverse idee correlate:

• La correlazione misura l'associazione statistica. Due variabili possono muoversi insieme perché una causa l'altra, la causalità va in senso inverso o una terza variabile influisce su entrambe. La guida di Google su correlazione e causalità evidenzia perché la sola associazione predittiva sia insufficiente.
• L'inferenza causale stima l'effetto di un intervento definito, come la modifica delle impostazioni di una macchina. La scoperta propone il grafo; l'inferenza utilizza un grafo presupposto per rispondere a una specifica domanda di effetto. La guida alla modellazione causale di DoWhy mostra come i grafi rendano esplicite queste assunzioni.
• L'apprendimento della rappresentazione causale cerca variabili latenti significative da input complessi come le immagini. La scoperta causale studia tipicamente le relazioni tra variabili che sono già state definite.
• L'intelligenza artificiale spiegabile descrive il motivo per cui un modello ha prodotto una previsione. L'importanza delle caratteristiche può spiegare una previsione senza dimostrare che la modifica della caratteristica cambierebbe il risultato nel mondo reale.

Importanti concetti di grafi includono i confondenti, che influenzano sia una causa proposta che il risultato; i mediatori, che trasmettono un effetto; e i collider, che sono influenzati da altre due variabili. L'introduzione ai DAG causali di UCLA spiega perché il condizionamento sulla variabile sbagliata possa introdurre anziché rimuovere distorsioni.

Applicazioni reali dell'IA e della computer vision#

• Ispezione manifatturiera: Un sistema di visione artificiale può registrare conteggi di difetti, velocità del nastro trasportatore, tipo di materiale, temperatura ed eventi di manutenzione. La scoperta causale può suggerire se una velocità maggiore contribuisca direttamente ai difetti o se entrambi siano conseguenze di una maggiore domanda di produzione. Questa distinzione è importante prima di rallentare la linea o modificare i programmi di manutenzione.

• Gestione del traffico: Il rilevamento di oggetti e il tracciamento di oggetti possono produrre conteggi di veicoli, lunghezze delle code e traiettorie di movimento. Combinata con meteo, incidenti e impostazioni dei semafori, la scoperta causale può aiutare a distinguere se la tempistica dei semafori crei lunghe code o venga regolata in risposta alla congestione esistente. Tale direzionalità è essenziale quando si seleziona un intervento politico.

Questi grafi possono guidare successivamente l'analisi what-if, comprese le simulazioni descritte nella documentazione sugli interventi di DoWhy.

Costruzione di variabili dai dati visivi#

Gli output di Ultralytics YOLO possono fornire variabili osservate per un dataset causale più ampio. Questo esempio utilizza YOLO26 e la modalità Predict per estrarre conteggi da un'immagine:

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})

L'esecuzione di questo flusso di lavoro su molti timestamp, telecamere o condizioni operative crea osservazioni che possono essere unite a variabili contestuali. L'annotazione dei dati di alta qualità e la misurazione coerente sono fondamentali perché gli errori di rilevamento possono creare false dipendenze. Ultralytics Platform può supportare l'annotazione di dataset nel cloud, l'addestramento, il deployment e il monitoraggio dei modelli all'interno di questa pipeline più ampia.

Limitazioni e guida pratica#

La scoperta causale non può recuperare in modo affidabile variabili che non sono mai state misurate. Confondenti nascosti, distorsioni dei dataset, effetti di selezione, campioni di piccole dimensioni ed errori di misurazione possono tutti produrre archi fuorvianti.

Prima di agire su un grafo scoperto:

1. Aggiungi vincoli temporali e fisici noti.
2. Verifica se gli archi rimangono stabili tra siti, periodi di tempo e subset di dati.
3. Confronta il grafo con la conoscenza degli esperti.
4. Quantifica l'incertezza invece di trattare ogni arco come certo.
5. Convalida le relazioni importanti attraverso interventi controllati quando possibile.

Infine, usa la stima dell'effetto causale, e non la sola scoperta del grafo, per misurare la dimensione dell'intervento. La documentazione sugli effetti del trattamento di EconML illustra questa fase di stima separata. La scoperta causale è più preziosa come modo strutturato per generare, mettere in discussione e perfezionare le ipotesi causali prima di prendere decisioni nel mondo reale.