Causal Discovery

A descoberta causal é o processo de aprender possíveis relações de causa e efeito a partir de dados, geralmente representadas como um grafo direcionado. Ao contrário do aprendizado de máquina comum, que prevê principalmente resultados a partir de padrões, a descoberta causal pergunta quais variáveis podem influenciar diretamente outras. Por exemplo, ela pode investigar se a chuva aumenta o congestionamento do tráfego, se o congestionamento altera o tempo dos semáforos ou se ambos são influenciados por um terceiro fator.

O resultado é uma hipótese sobre a estrutura causal, não uma prova automática. Sua confiabilidade depende da qualidade dos dados, do conhecimento de domínio, das premissas estatísticas e da validação por meio de experimentos ou novos ambientes.

Como Funciona a Descoberta Causal#

Um sistema de descoberta causal trata as variáveis medidas como nós e suas possíveis relações causais como arestas. Em uma aresta direcionada como X → Y, X é um candidato a causa direta de Y em relação às outras variáveis incluídas na análise. Essas relações são frequentemente representadas por uma rede bayesiana ou grafo acíclico direcionado (DAG), o que significa que as setas não podem formar um loop direcionado.

Os algoritmos geralmente aprendem a estrutura de uma entre três maneiras:

• Descoberta baseada em restrições testa se as variáveis se tornam estatisticamente independentes após o condicionamento em outras variáveis. A documentação de descoberta baseada em restrições do PyWhy explica como esses padrões de independência podem restringir possíveis estruturas de grafos.
• Descoberta baseada em pontuação compara grafos candidatos usando uma pontuação que equilibra o ajuste com a complexidade.
• Descoberta baseada em modelos funcionais assume que as variáveis são geradas por meio de relações matemáticas específicas e padrões de ruído. Em um cenário acíclico linear não gaussiano, a assimetria nos dados pode ajudar a determinar a direção da aresta.

A documentação do causal-learn fornece implementações que abrangem essas categorias. No entanto, os dados observacionais geralmente suportam vários grafos equivalentes em vez de um único DAG orientado.

Conceitos-Chave e Termos Relacionados#

A descoberta causal deve ser distinguida de várias ideias relacionadas:

• Correlação mede a associação estatística. Duas variáveis podem mover-se juntas porque uma causa a outra, a causalidade ocorre no sentido inverso ou uma terceira variável afeta ambas. A orientação do Google sobre correlação e causalidade destaca por que a associação preditiva isolada é insuficiente.
• Inferência causal estima o efeito de uma intervenção definida, como alterar a configuração de uma máquina. A descoberta propõe o grafo; a inferência usa um grafo presumido para responder a uma pergunta de efeito específica. O guia de modelagem causal do DoWhy mostra como os grafos tornam essas premissas explícitas.
• Aprendizado de representação causal busca variáveis latentes significativas a partir de entradas complexas, como imagens. A descoberta causal normalmente estuda relações entre variáveis que já foram definidas.
• IA explicável descreve por que um modelo produziu uma previsão. A importância de recursos pode explicar uma previsão sem mostrar que a alteração do recurso mudaria o resultado no mundo real.

Conceitos importantes de grafos incluem fatores de confusão, que influenciam tanto uma causa proposta quanto o resultado; mediadores, que transmitem um efeito; e colididores, que são influenciados por outras duas variáveis. A introdução da UCLA aos DAGs causais explica por que condicionar na variável errada pode introduzir viés em vez de removê-lo.

Aplicações reais de IA e visão computacional#

• Inspeção de fabricação: Um sistema de visão computacional pode registrar contagens de defeitos, velocidade da esteira, tipo de material, temperatura e eventos de manutenção. A descoberta causal pode sugerir se uma velocidade maior contribui diretamente para os defeitos ou se ambas são consequências do aumento da demanda de produção. Essa distinção importa antes de desacelerar a linha ou alterar os cronogramas de manutenção.

• Gerenciamento de tráfego: A detecção de objetos e o rastreamento de objetos podem produzir contagens de veículos, comprimentos de filas e trajetórias de movimento. Combinada com clima, incidentes e configurações de semáforos, a descoberta causal pode ajudar a distinguir se o tempo dos semáforos cria filas longas ou é ajustado em resposta ao congestionamento existente. Tal direcionalidade é essencial ao selecionar uma intervenção política.

Esses grafos podem orientar posteriormente análises hipotéticas, incluindo simulações descritas na documentação de intervenção do DoWhy.

Construindo Variáveis a Partir de Dados de Visão#

As saídas do Ultralytics YOLO podem fornecer variáveis observadas para um conjunto de dados causal maior. Este exemplo usa o YOLO26 e o Predict mode para extrair contagens de uma imagem:

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})

Executar esse fluxo de trabalho em vários registros de data e hora, câmeras ou condições operacionais cria observações que podem ser combinadas com variáveis contextuais. A anotação de dados de alta qualidade e a medição consistente são críticas porque erros de detecção podem criar falsas dependências. A Ultralytics Platform pode dar suporte à anotação de conjuntos de dados em nuvem, treinamento de modelos, implantação e monitoramento dentro desse pipeline mais amplo.

Limitações e Orientação Prática#

A descoberta causal não consegue recuperar de forma confiável variáveis que nunca foram medidas. Fatores de confusão ocultos, viés de conjunto de dados, efeitos de seleção, amostras pequenas e erros de medição podem produzir arestas enganosas.

Antes de agir com base em um grafo descoberto:

1. Adicione restrições temporais e físicas conhecidas.
2. Teste se as arestas permanecem estáveis entre locais, períodos de tempo e subconjuntos de dados.
3. Compare o grafo com o conhecimento de especialistas.
4. Quantifique a incerteza em vez de tratar cada aresta como certa.
5. Valide relacionamentos importantes por meio de intervenções controladas quando viável.

Por fim, use a estimativa de efeito causal — e não apenas a descoberta de grafos — para medir o tamanho da intervenção. A documentação de efeito de tratamento do EconML ilustra esse estágio de estimativa separado. A descoberta causal é mais valiosa como uma forma estruturada de gerar, questionar e refinar hipóteses causais antes de tomar decisões no mundo real.