Descripció del projecte
El progrés en IA i aprenentatge automàtic ha portat a grans avenços tecnològics basats en l’ús de dades per descobrir relacions entre elles que ens permeten desenvolupar models predictius molt complexes. Tot i això, moltes qüestions d’importància en el món de l’empresa i la industria són qüestions causals, no qüestions predictives.
Les preguntes causals es refereixen a quins seran els efectes de les nostres accions, en lloc de com es relacionen les coses en un món en què no intervenim. Per exemple, quin és l’efecte l’efecte de la publicitat sobre les vendes de productes o quines són les causes reals de la retenció dels nostres clients?
Tenir en compte l’associació que observem entre una acció i un resultat en un conjunt de dades observacionals no conduirà (sempre) a estimacions precises del que passa quan prenem l’acció. Donada la importància de respondre a aquestes preguntes causals mitjançant dades, en aquest projecte de recerca investigarem el paper que poden tenir els models d’aprenentatge automàtic en la millora dels mètodes més clàssics d’inferència causal.
Referències:
+ Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books.
+ Rubin, D. B. (1973). Matching to remove bias in observational studies. Biometrics, 29(1), 159–183. https://doi.org/10.2307/2529684
+ Rubin, D. B. (2006). Matched sampling for causal effects. Cambridge University Press. https://doi.org/10.1017/cbo9780511810725
+ Hünermund, Paul and Kaminski, Jermain and Schmitt, Carla, Causal Machine Learning and Business Decision Making (May 18, 2021). Available at SSRN: https://ssrn.com/abstract=3867326 or http://dx.doi.org/10.2139/ssrn.3867326
+ Prosperi, M., Guo, Y., Sperrin, M. et al. Causal inference and counterfactual prediction in machine learning for actionable healthcare. Nat Mach Intell 2, 369–375 (2020). https://doi.org/10.1038/s42256-020-0197-y
+ Mothilal, R. K. et al. “Explaining machine learning classifiers through diverse counterfactual explanations.” Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (2020)
+ Sharma, Amit and Emre Kıcıman. “DoWhy: An End-to-End Library for Causal Inference.” ArXiv abs/2011.04216 (2020): n. pag.
