Modelos de inferencia (causal)

Machine Learning para negocios

Karolis Urbonas

Head of Machine Learning & Science, Amazon

¿Qué es la causalidad?

• Identificar la relación causal: cuánto afectan ciertas acciones a un resultado
• Responde a las preguntas de “¿por qué?”
• Prioriza interpretabilidad frente a rendimiento
• Los modelos detectan patrones en datos observacionales y extraen conclusiones causales

Experimentos vs. observación

• Los experimentos se diseñan y garantizan conclusiones causales, p. ej., en tests A/B
• Cuando no se pueden hacer (no éticos, caros), se usan modelos/estudios observacionales para estimar el efecto de ciertas entradas en los resultados
• Siempre que se pueda, los experimentos son preferibles a los estudios observacionales

Buenas prácticas

1. Haz experimentos siempre que puedas
2. Si hacerlos siempre es caro, hazlos periódicamente (trimestral, anual) y úsalos como referencia
3. Si no hay forma de hacerlos, construye un modelo causal. Requiere metodología avanzada

Ejemplo de modelo de inferencia

Inferencia: entrenamiento

Inferencia: aprendizaje

Inferencia: coeficientes de regresión

Inferencia: interpretación

¡Vamos a practicar!

Machine Learning para negocios