Inferenzmodelle (Kausalmodelle)

Maschinelles Lernen für Unternehmen

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Was ist Kausalität?

• Ermitteln, wie bestimmte Handlung das Ergebnis beeinflusst, das uns interessiert
• Beantwortet „Warum?“-Fragen
• Optimiert für Interpretierbarkeit, nicht Leistung
• Modelle versuchen, Muster in Beobachtungsdaten zu erkennen und daraus kausale Schlussfolgerungen zu ziehen

Experimente vs. Beobachtungen

• Experimente so aufgebaut, dass sich kausale Schlussfolgerungen ziehen lassen, z. B. bei A/B-Tests
• Wenn Experimente nicht möglich (weil unethisch, zu teuer oder beides), werden Modelle (Beobachtungsstudien) benutzt, um Wirkung bestimmter Eingaben auf gewünschte Ergebnisse zu berechnen
• Wenn möglich, immer Experimente gegenüber Beobachtungsstudien bevorzugen

Best Practices

1. Nach Möglichkeit immer Experiment durchführen
2. Wenn ständige Experimente zu teuer, dann in regelmäßigen Abständen durchführen (vierteljährlich, jährlich) und als Maßstab nutzen
3. Wenn Experimente nicht möglich, dann Inferenzmodell/Kausalmodell (fortgeschrittene Methoden erforderlich)

Beispiel für ein Inferenzmodell

Inferenz – Training

Inferenz – Lernen

Inferenz – Regressionskoeffizienten

Inferenz – Interpretation

Lass uns üben!

Maschinelles Lernen für Unternehmen