Modele de inferență (cauzale)

Machine Learning pentru afaceri

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Ce este cauzalitatea?

• Identifică relații cauzale privind impactul unor acțiuni asupra unui rezultat de interes
• Răspunde la întrebările „de ce?"
• Optimizează interpretabilitatea modelului față de performanță
• Modelele detectează tipare în date observate și formulează concluzii cauzale

Experimente vs. observații

• Experimentele sunt concepute pentru a garanta concluzii cauzale, de ex. în testele A/B
• Când experimentele sunt imposibile (neetice, prea costisitoare sau ambele), se folosesc modele (studii observaționale) pentru a estima efectul unor variabile asupra rezultatelor dorite
• Experimentele sunt întotdeauna preferate față de studiile observaționale ori de câte ori este posibil

Bune practici

1. Realizați experimente ori de câte ori este posibil
2. Dacă experimentele frecvente sunt prea costisitoare, rulați-le periodic (trimestrial, anual) și folosiți-le ca referință
3. Dacă nu există nicio posibilitate de a rula experimente, construiți un model cauzal — aceasta necesită o metodologie avansată

Exemplu de model de inferență

Inferență - antrenare

Inferență - învățare

Inferență - coeficienți de regresie

Inferență - interpretare

Să exersăm!

Machine Learning pentru afaceri