Table des matières
La motivation de l'apprentissage automatique causal​
De la prédiction à la prise de décision​
Que sont les relations causales et les effets causals ? ​
Tableau de bord IA responsable (Azure Machine Learning Studio) : analyse des causes​
Résumé​
Maison Périphériques technologiques IA Prendre des décisions efficaces et exploitables pour optimiser les KPI de l'entreprise en utilisant l'apprentissage automatique causal

Prendre des décisions efficaces et exploitables pour optimiser les KPI de l'entreprise en utilisant l'apprentissage automatique causal

Apr 04, 2023 am 11:40 AM
人工智能 机器学习 kpi

L'analyse causale dans la plateforme d'apprentissage automatique Azure Machine Learning Studio peut répondre aux questions causales grâce à un cadre d'automatisation de bout en bout.

Traducteur | Li Rui

Réviseur | Sun Shujuan

Dans différents scénarios, les techniques de modélisation d'apprentissage automatique couramment utilisées peuvent mal comprendre les véritables relations entre les données. Ici, nous cherchons à changer ce paradigme pour trouver des informations exploitables au-delà des fausses corrélations basées sur l'estimation des relations causales et la mesure des effets du traitement sur les résultats des indicateurs clés de performance (KPI) cibles. ​

Prendre des décisions efficaces et exploitables pour optimiser les KPI de l'entreprise en utilisant l'apprentissage automatique causal

La motivation de l'apprentissage automatique causal​

Supposons que nous obtenions les données historiques ou les données d'observation d'un certain produit d'une certaine entreprise au cours de l'année écoulée. Face à la perte de 5 % de clients pour ce produit, alors l'objectif de cette entreprise est de réduire le taux de désabonnement grâce à des campagnes ciblées. Généralement, un modèle classique de propension à prédire le désabonnement (score de propension - probabilité de désabonnement covariable du comportement du client) est construit et prescrit des remises ou des ventes incitatives/ventes croisées aux clients en sélectionnant des seuils. ​

Maintenant, les chefs d'entreprise veulent prédire l'efficacité de l'attrition des clients, par exemple si les clients de l'entreprise sont retenus grâce à des promotions ou des activités de marketing, ou l'inverse ? Cela nécessite des expériences standards de tests AB traditionnels, et les expériences nécessitent un certain temps, et dans certains cas également irréalisable et coûteux. ​

Nous devons donc réfléchir à des questions au-delà du modèle de propension. La prédiction du taux de désabonnement avec supervision est utile, mais pas à chaque fois, car elle manque de recommandations pour recommander la meilleure action suivante dans des situations hypothétiques. Le problème du ciblage des clients personnalisés qui sont capables de répondre positivement à la proposition marketing d'une entreprise sans gaspiller d'argent dans des cas d'échec, prenant ainsi la meilleure action/intervention suivante et modifiant les résultats futurs (par exemple en maximisant la rétention) est la modélisation de l'inférence causale Lift dans . ​

Pour comprendre certaines questions contrefactuelles dans le monde de la consommation, telles que : comment le comportement des consommateurs changerait-il si les prix de détail étaient augmentés ou abaissés (quel est l'impact du prix sur les modèles de comportement) ? Si une entreprise diffuse des publicités auprès des clients, achèteront-ils le produit (impact de la publicité sur l'achat) ? Cela inclut une prise de décision basée sur les données grâce à la modélisation causale. ​

En général, les questions de prédiction ou de prévision se concentrent sur le nombre de personnes qui s'abonneront au cours du mois prochain, tandis que les questions causales portent sur ce qui se passera si certaines politiques changent (par exemple, combien de personnes s'abonneront si une campagne est lancée) .

L’analyse causale ira encore plus loin. Il est conçu pour déduire divers aspects du processus de génération de données. À l’aide de ces aspects, on peut déduire non seulement la probabilité d’événements dans des conditions statiques, mais également la dynamique des événements dans des conditions changeantes. Cette capacité comprend la prévision des effets des actions (par exemple, un traitement ou des décisions politiques), la détermination des causes des événements signalés et l'évaluation de la responsabilité et de l'attribution (par exemple, si l'événement x était nécessaire ou suffisant pour que l'événement y se produise).

Lorsque l'on utilise l'apprentissage automatique supervisé pour prédire des modèles à l'aide de modèles de pseudo-corrélation, il existe une hypothèse implicite selon laquelle les choses continueront comme elles ont été dans le passé. Dans le même temps, l’environnement est activement modifié d’une manière qui brise souvent ces schémas, à la suite de décisions ou d’actions prises sur la base de résultats prévus. ​

De la prédiction à la prise de décision​

Pour la prise de décision, vous devez trouver les caractéristiques qui mènent au résultat et estimer comment le résultat changera si les caractéristiques changent. De nombreux problèmes liés à la science des données sont des problèmes causals, et l’estimation de scénarios contrefactuels est courante dans les scénarios de prise de décision. ​

  • Expérience A/B : Si vous changez la couleur des boutons de votre site Web, cela entraînera-t-il un engagement plus élevé ? ​
  • Décision politique : si ce traitement/politique est adopté, comment cela entraînera-t-il un changement dans les résultats ? Cela entraînera-t-il des patients en meilleure santé/plus de revenus ​
  • Évaluation de la politique : changements apportés par l'entreprise dans le passé Ou quoi ? est connu jusqu'à présent, et la manière dont les résultats ont changé, les politiques en place ont-elles aidé ou entravé les produits qu'ils essayaient de modifier ? ​
  • Attribution du crédit : les gens ont-ils acheté l'article parce qu'ils ont vu l'annonce ? ? ​

Que sont les relations causales et les effets causals ? ​

Si une action ou un traitement (T) provoque un résultat (Y), si et seulement si l'action (T) provoque un changement dans le résultat (Y), garder tout le reste constant. La causalité signifie qu’en modifiant un facteur, un autre facteur peut être modifié. ​

Par exemple : Si l’aspirine peut soulager un mal de tête, elle ne fera que modifier l’état du mal de tête.

Si le marketing peut entraîner une augmentation des ventes, si et seulement si les activités marketing peuvent entraîner un changement dans les ventes, alors tout le reste peut rester pareil. ​

L'effet causal est l'ampleur du changement de Y avec un changement unitaire de T, et non l'inverse :​

Effet causal = E [Y | do(T=1)] - E [Y | do (T = 0)] (Do-Calculus de Judea Pearl) ​

L'inférence causale nécessite des connaissances, des hypothèses et une expertise dans le domaine. L'équipe de recherche ALICE de Microsoft a développé les bibliothèques open source Do Why et EconML pour faciliter le travail et la vie des utilisateurs. La première étape de toute analyse causale consiste à poser une question claire : ​

  • Quel traitement/action vous intéresse ​
  • Quels résultats souhaitez-vous prendre en compte ​
  • Quels facteurs de confusion pourraient être liés au résultat ? et traitement ? ​

Pipeline d'analyse causale : inférence causale de bout en bout (DECI) basée sur l'apprentissage profond (brevet Microsoft). ​

Découverte causale-identification causale-estimation causale-vérification causale. ​

Prendre des décisions efficaces et exploitables pour optimiser les KPI de l'entreprise en utilisant l'apprentissage automatique causal

Tableau de bord IA responsable (Azure Machine Learning Studio) : analyse des causes​

Cette fonctionnalité est basée sur l'interprétation du modèle ajusté dans le registre de modèles, qui peut être obtenue s'il existe une compréhension causale de celui-ci. variables Explorez ce qui pourrait arriver. Les effets causals de différentes caractéristiques peuvent être observés et comparés aux effets idiosyncratiques, et différents groupes peuvent être observés et quelles caractéristiques ou politiques fonctionnent le mieux pour eux. ​

  • DECI : Fournit un cadre pour l'inférence causale de bout en bout, qui peut également être utilisé seul pour la découverte ou l'estimation. ​
  • EconML : fournit plusieurs méthodes d'estimation de causalité. ​
  • DoWhy : fournit plusieurs méthodes d'identification et de vérification. ​
  • ShowPourquoi : fournit une analyse causale de bout en bout sans code pour la prise de décision causale dans une interface utilisateur graphique (GUI) conviviale.

Résumé​

Les algorithmes modernes d'apprentissage automatique et d'apprentissage profond peuvent trouver des modèles complexes dans les données qui interprètent les algorithmes de la boîte noire, et leurs interprétations peuvent signifier ce que l'algorithme d'apprentissage automatique a appris du monde.

Lorsque ces algorithmes d’apprentissage automatique sont appliqués à la société pour prendre des décisions politiques telles que l’approbation de prêts et les polices d’assurance maladie, le monde qu’elle apprend ne reflète pas nécessairement bien ce qui se passe dans le monde.

Cependant, les modèles prédictifs basés sur les données sont transparents mais ne peuvent pas véritablement expliquer. L'interprétabilité nécessite un modèle causal (comme en témoigne l'erreur du tableau 2). Les modèles causals représentent de manière fiable certains processus dans le monde. L’IA explicable devrait être capable de raisonner pour prendre des décisions efficaces et impartiales. ​

Titre original : ​​Analyse causale dans Azure Machine Learning Studio pour répondre à vos questions causales via un cadre automatisé de bout en bout​​, auteur : Hari Hara

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Où trouver la courte de la grue à atomide atomique
1 Il y a quelques semaines By DDD

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Jul 15, 2024 pm 12:21 PM

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g

See all articles