Modele inferencyjne (przyczynowe)

Uczenie maszynowe dla biznesu

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Czym jest przyczynowość?

• Identyfikuje związki przyczynowe między działaniami a wynikiem
• Odpowiada na pytanie „dlaczego?"
• Optymalizuje interpretowalność modelu kosztem wydajności
• Modele wykrywają wzorce w danych obserwacyjnych i wyciągają wnioski przyczynowe

Eksperymenty a obserwacje

• Eksperymenty są zaprojektowane tak, aby gwarantować wnioski przyczynowe, np. w testach A/B
• Gdy eksperymenty są niemożliwe (nieetyczne, zbyt kosztowne lub oba powody) – stosuje się modele (badania obserwacyjne) do szacowania efektów
• Eksperymenty są zawsze preferowane nad badaniami obserwacyjnymi

Najlepsze praktyki

1. Przeprowadzaj eksperymenty wszędzie tam, gdzie to możliwe
2. Jeśli ciągłe eksperymenty są zbyt kosztowne, uruchamiaj je okresowo (kwartalnie, rocznie) jako punkt odniesienia
3. Jeśli eksperymenty są niemożliwe, zbuduj model przyczynowy – wymaga to zaawansowanej metodologii

Przykład modelu inferencyjnego

Inferencja – trening

Inferencja – uczenie

Inferencja – współczynniki regresji

Inferencja – interpretacja

Czas na ćwiczenia!

Uczenie maszynowe dla biznesu