Causal Discovery

Nedensellik keşfi, genellikle yönlü bir çizge olarak temsil edilen verilerden olası neden-sonuç ilişkilerini öğrenme sürecidir. Sonuçları öncelikli olarak örüntülerden tahmin eden sıradan machine learning yöntemlerinin aksine nedensellik keşfi, hangi değişkenlerin diğerlerini doğrudan etkileyebileceğini araştırır. Örneğin yağmurun trafik sıkışıklığını artırıp artırmadığını, sıkışıklığın sinyal sürelerini değiştirip değiştirmediğini veya her ikisinin de üçüncü bir faktörden etkilenip etkilenmediğini inceleyebilir.

Sonuç, otomatik bir kanıt değil, nedensel yapı hakkında bir hipotezedir. Güvenilirliği veri kalitesine, alan bilgisine, istatistiksel varsayımlara ve deneyler veya yeni ortamlar aracılığıyla doğrulamaya bağlıdır.

Nedensellik Keşfi Nasıl Çalışır?#

Bir nedensellik keşif sistemi, ölçülen değişkenleri düğüm ve bunların olası nedensel ilişkilerini kenar olarak ele alır. X → Y gibi yönlü bir kenarda X, analize dahil edilen diğer değişkenlere göre Y'nin aday doğrudan nedenidir. Bu ilişkiler genellikle Bayesian network veya yönlü döngüsel olmayan çizge (DAG) ile temsil edilir; yani oklar yönlü bir döngü oluşturamaz.

Algoritmalar genellikle yapıyı şu üç yoldan biriyle öğrenir:

• Kısıt tabanlı keşif, diğer değişkenlere göre koşullandırma yapıldıktan sonra değişkenlerin istatistiksel olarak bağımsız duruma gelip gelmediğini test eder. PyWhy constraint-based discovery documentation, bu bağımsızlık örüntülerinin olası çizge yapılarını nasıl kısıplayabileceğini açıklar.
• Puan tabanlı keşif, uyumu karmaşıklığa karşı dengeleyen bir puan kullanarak aday çizgeleri karşılaştırır.
• Fonksiyonel model tabanlı keşif, değişkenlerin belirli matematiksel ilişkiler ve gürültü örüntüleri aracılığıyla üretildiğini varsayar. Doğrusal olmayan Gaussian dışı döngüsel olmayan bir ortamda, verilerdeki asimetri kenar yönünün belirlenmesine yardımcı olabilir.

causal-learn documentation, bu kategorileri kapsayan uygulamalar sağlar. Ancak gözlemsel veriler genellikle benzersiz şekilde yönlendirilmiş tek bir DAG yerine birkaç eşdeğer çizmeyi destekler.

Temel Kavramlar ve İlgili Terimler#

Nedensellik keşfi, ilgili birkaç kavramdan ayırt edilmelidir:

• Korelasyon, istatistiksel ilişkiyi ölçer. İki değişken birlikte hareket edebilir çünkü biri diğerine neden olur, nedensellik ters yönde işler veya üçüncü bir değişken her ikisini de etkiler. Google’ın guidance on correlation and causation içeriği, yalnızca öngörüye dayalı ilişkinin neden yetersiz olduğunu vurgular.
• Nedensel çıkarım, bir makine ayarını değiştirmek gibi tanımlanmış bir müdahalenin etkiyi tahmin eder. Keşif çizmeyi önerir; çıkarım ise belirli bir etki sorusunu yanıtlamak için varsayılan bir çizge kullanır. DoWhy causal modeling guide kılavuzu, çizgelerin bu varsayımları nasıl açık hale getirdiğini gösterir.
• Causal representation learning, görüntüler gibi karmaşık girdilerden anlamlı gizli değişkenler arar. Nedensellik keşfi tipik olarak halihazırda tanımlanmış olan değişkenler arasındaki ilişkileri inceler.
• Explainable AI, bir modelin neden bir tahmin ürettiğini açıklar. Öznitelik önemi, özniteliğin değiştirilmesinin gerçek dünyadaki sonucu değiştireceğini göstermeden bir tahmini açıklayabilir.

Önemli çizge kavramları arasında önerilen bir neden ile sonucu etkileyen karıştırıcılar; bir etkiyi ileten aracı değişkenler ve diğer iki değişken tarafından etkilenen çarpıştırıcılar yer alır. UCLA introduction to causal DAGs belgesi, yanlış değişken üzerinde koşullandırmanın neden yanlılığı gidermek yerine yanlılık katabileceğini açıklar.

Gerçek Dünyada Yapay Zekâ ve Bilgisayarlı Görü Uygulamaları#

• Üretim denetimi: Bir computer vision sistemi kusur sayılarını, konveyör hızını, malzeme türünü, sıcaklığı ve bakım olaylarını kaydedebilir. Nedensellik keşfi, daha yüksek hızın kusurlara doğrudan katkıda bulunup bulunmadığını veya her ikisinin de artan üretim talebinin bir sonucu olup olmadığını öne sürebilir. Bu ayrım, hattı yavaşlatmadan veya bakım programlarını değiştirmeden önce önemlidir.

• Trafik yönetimi: Object detection ve object tracking araç sayıları, kuyruk uzunlukları ve hareket yörüngeleri üretebilir. Hava durumu, olaylar ve sinyal ayarlarıyla birleştirilen nedensellik keşfi, sinyal zamanlamasının uzun kuyruklar yaratıp yaratmadığını ya da mevcut sıkışıklığa yanıt olarak ayarlanıp ayarlanmadığını ayırt etmeye yardımcı olabilir. Bu yönlülük, bir politika müdahalesi seçerken esastır.

Bu çizgeler, DoWhy intervention documentation belgesinde açıklanan simülasyonlar dahil olmak üzere daha sonraki varsayım analizlerine rehberlik edebilir.

Görüntü Verilerinden Değişkenler Oluşturma#

Ultralytics YOLO çıktıları, daha büyük bir nedensel veri seti için gözlemlenen değişkenler sağlayabilir. Bu örnek, bir görüntüden sayımları ayıklamak için YOLO26 ve Predict mode kullanır:

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})

Bu iş akışını birçok zaman damgası, kamera veya çalışma koşulunda çalıştırmak, bağlamsal değişkenlerle birleştirilebilecek gözlemler oluşturur. Yüksek kaliteli data annotation ve tutarlı ölçüm kritiktir çünkü tespit hataları sahte bağımlılıklar yaratabilir. Ultralytics Platform, bu daha geniş boru hattı içinde bulut veri seti açıklaması, model eğitimi, dağıtımı ve izlemeyi destekleyebilir.

Sınırlamalar ve Pratik Kılavuz#

Nedensellik keşfi, asla ölçülmemiş değişkenleri güvenilir bir şekilde kurtaramaz. Gizli karıştırıcılar, dataset bias, seçim efektleri, küçük örneklemler ve ölçüm hataları yanıltıcı kenarlar üretebilir.

Keşfedilen bir çizge üzerinde işlem yapmadan önce:

1. Bilinen zamansal ve fiziksel kısıtlamaları ekle.
2. Kenarların siteler, zaman dilimleri ve veri alt kümeleri arasında kararlı kalıp kalmadığını test et.
3. Çizmeyi uzman bilgisiyle karşılaştır.
4. Her kenarı kesin olarak ele almak yerine belirsizliği ölç.
5. Mümkün olduğunda kontrollü müdahaleler yoluyla önemli ilişkileri doğrula.

Son olarak müdahale boyutunu ölçmek için yalnızca çizge keşfini değil, nedensel etki tahminini kullan. EconML treatment-effect documentation, bu ayrı tahmin aşamasını gösterir. Nedensellik keşfi, gerçek dünya kararları vermeden önce nedensel hipotezler üretmek, bunlara meydan okumak ve bunları iyileştirmek için yapılandırılmış bir yol olarak en değerlidir.