Estás leyendo la publicación: Salesforce AI Open Sources CausalAI Library para el análisis causal de series temporales y datos tabulares
El proceso de análisis causal se utiliza para determinar y abordar las causas y los efectos de un problema. En lugar de abordar los síntomas de un problema, el análisis causal ayuda a identificar la causa raíz del problema para que sus síntomas sean menos impactantes. Para comprender esto mejor con la ayuda de un ejemplo, considere el escenario en el que los boletos de avión se están volviendo prohibitivamente caros. La primera etapa es determinar qué causa las fluctuaciones en las tarifas aéreas para poder encontrar una posible medida macroeconómica para reducir las tarifas aéreas. Una variable clave que afecta significativamente las tarifas aéreas es el precio del petróleo crudo. Si los precios del petróleo suben, las tarifas aéreas aumentarán en proporción para acomodar un aumento en el costo del combustible para las aerolíneas. Por otro lado, si las aerolíneas aumentan sus tarifas sin tener en cuenta ninguna variación en los precios del petróleo, este aumento no debería afectar los precios del petróleo. Como resultado, es seguro concluir que los precios del petróleo influyen en las tarifas aéreas, pero no al revés.
Este ejemplo muestra cómo realizar una intervención en una variable y pronosticar su impacto en otra mediante el análisis causal. Usando solo datos históricos, el análisis causal puede ayudar a los investigadores a predecir automáticamente tales relaciones de causa-efecto. Además, el análisis causal es útil para determinar una estimación numérica del cambio en el valor de una característica si sus predecesores causales se ven afectados. Aunque el ejemplo del petróleo crudo y las tarifas aéreas fue razonablemente sencillo, el análisis causal puede ser una tarea difícil en un sistema multivariable.
Para facilitar a los investigadores la realización de análisis causales, los investigadores de Salesforce presentaron recientemente CausalAI Library, una biblioteca de código abierto para el análisis causal que emplea datos de observación. La biblioteca proporciona algoritmos que pueden manejar interacciones causales lineales y no lineales entre variables y admite datos tabulares y de series temporales de diferentes tipos de datos (discretos y continuos). La biblioteca CausalAI de Salesforce tiene la intención de ofrecer una solución integral para los muchos requisitos adicionales en el análisis causal, que van desde la generación de datos hasta el procesamiento múltiple para acelerar. Además, los investigadores proporcionan una interfaz de usuario libre de codificación que permite a los usuarios realizar análisis causales. El objetivo principal de la biblioteca es ofrecer una solución rápida y fácil de usar a varios problemas relacionados con la causalidad.
La biblioteca CausalAI de Salesforce tiene la intención de abordar problemas de descubrimiento e inferencia causal. Usando datos de observación, el descubrimiento causal tiene como objetivo responder a problemas como qué variable en un sistema multivariable afecta a qué variable. Para decirlo de otra manera, el objetivo del descubrimiento causal es descubrir el gráfico causal dirigido que subyace a los datos observacionales, donde las variables se consideran nodos y los bordes permanecen desconocidos. Por otro lado, la inferencia causal implica calcular una estimación numérica de cómo un conjunto de variables influye en otra variable. A diferencia de la inferencia de los modelos de aprendizaje automático, que se basa en la correlación, la inferencia causal atraviesa el gráfico causal para determinar cómo los cambios en una variable afectan a la variable objetivo. Esto indica que aunque dos o más variables estén correlacionadas, es posible que no exista un nexo causal entre ellas, en cuyo caso cambiar una de ellas puede no tener impacto en la otra.
El módulo de descubrimiento causal de la biblioteca genera un gráfico causal de salida a partir de una entrada que consta de un objeto de datos de observación y un objeto de conocimiento previo opcional. El módulo de inferencia causal recibe un gráfico causal como entrada que puede ser proporcionada directamente por el usuario o estimada por el módulo de descubrimiento causal, junto con las intervenciones definidas por el usuario, y genera el efecto estimado en una variable objetivo.
Además de ciertas características clave, como admitir datos de diferentes tipos de datos, usar modelos de ecuaciones estructurales para generar datos sintéticos y computación distribuida, la biblioteca también tiene muchas otras características. Apoyar el descubrimiento causal específico es uno de ellos. En este caso, el usuario solo está interesado en conocer las causas de una sola variable de interés y no las causas del gráfico causal completo. Los usuarios también pueden incorporar cualquier conocimiento previo parcial proporcionado por el usuario y visualizar gráficos causales tabulares y de series temporales. Cuando se trata de los algoritmos admitidos para el descubrimiento causal, el algoritmo de PC, la causalidad de Granger y los algoritmos de VARLINGAM son compatibles con los datos de series temporales y el algoritmo de PC con los datos tabulares. Para imitar el proceso de generación de datos para la inferencia causal, se aprenden modelos condicionales basados en el gráfico causal.
Debido a su funcionalidad de paralelización y su interfaz fácil de usar, la biblioteca CausalAI supera a otras bibliotecas para el análisis causal. El equipo de Salesforce está constantemente desarrollando la biblioteca. En su trabajo futuro, los investigadores pretenden ampliar la biblioteca de algoritmos para el descubrimiento y la inferencia causales. Otros objetivos incluyen admitir variables latentes, computación basada en GPU y tipos de datos heterogéneos (tipos mixtos continuos y discretos). Más detalles sobre la biblioteca CausalAI de Salesforce se pueden encontrar a continuación.
