인과적 기계 학습을 사용하여 비즈니스 KPI를 최적화하기 위한 효과적인 실행 가능한 결정을 내립니다.

기계 학습 플랫폼의 인과 분석 Azure Machine Learning Studio는 엔드투엔드 자동화 프레임워크를 통해 인과 관계 질문에 답할 수 있습니다.

번역가 | Li Rui

리뷰어 | Sun Shujuan

일반적으로 사용되는 기계 학습 모델링 기술은 데이터의 실제 관계를 오해할 수 있습니다. 여기에서 우리는 인과관계를 추정하고 목표 핵심성과지표(KPI) 결과에 대한 치료 효과를 측정하는 것을 기반으로 가짜 상관관계를 넘어 실행 가능한 통찰력을 찾기 위해 이 패러다임을 바꾸려고 합니다. ​

인과적 머신러닝의 동기​

지난 1년 동안 특정 회사의 특정 제품에 대한 이력 데이터나 관찰 데이터를 얻었다고 가정해 보겠습니다. 그렇다면 이 회사의 목표는 타겟 캠페인을 통해 이탈률을 줄이는 것입니다. 일반적으로 전형적인 고객 이탈 예측 성향 모델(성향 점수 - 고객 행동의 공변량 이탈 확률)이 구축되고 임계값을 선택하여 고객에게 할인 또는 상향 판매/교차 판매를 규정합니다. ​

이제 비즈니스 관리자는 프로모션이나 마케팅 활동으로 인해 회사의 고객이 유지되는지, 아니면 그 반대인지 등 고객 이탈의 효과를 예측하려고 합니다. 이를 위해서는 전통적인 AB 테스트 표준 실험이 필요하며 실험에는 시간이 필요합니다. 어떤 경우에는 실행 불가능하고 비용도 많이 듭니다. ​

그래서 우리는 성향 모델을 넘어서는 문제에 대해 생각해야 합니다. 감독을 통한 이탈 예측은 유용하지만, 가상 상황에서 차선책을 권장하는 권장 사항이 부족하기 때문에 항상 그렇지는 않습니다. 실패 사례에 비용을 낭비하지 않고 비즈니스의 마케팅 제안에 긍정적으로 반응할 수 있는 개인화된 고객을 대상으로 하여 차선책 조치/개입을 취하고 미래 결과를 변경(예: 유지율 최대화)하는 문제는 인과 추론 모델링입니다. ​

소매 가격이 오르거나 내리면 소비자 행동이 어떻게 변할 것인가(가격이 행동 패턴에 미치는 영향)와 같은 소비자 세계의 특정 반사실적 질문을 이해할 때? 기업이 고객에게 광고를 표시하면 고객이 제품을 구매하게 됩니까(광고가 구매에 미치는 영향)? 여기에는 인과관계 모델링을 통한 데이터 기반 의사결정이 포함됩니다. ​

일반적으로 예측 또는 예상 질문은 다음 달에 구독할 사람이 몇 명인지에 초점을 맞추는 반면, 인과 질문은 일부 정책 변경(예: 캠페인이 시작되면 구독할 사람이 몇 명인지)에 대해 구독할 사람이 얼마나 되는지에 대한 것입니다. .

인과분석은 한발 더 나아갑니다. 이는 데이터 생성 프로세스의 다양한 측면을 추론하도록 설계되었습니다. 이러한 측면의 도움으로 정적 조건에서 사건이 발생할 가능성뿐만 아니라 변화하는 조건에서 사건의 역학도 추론할 수 있습니다. 이 능력에는 조치(예: 치료 또는 정책 결정)의 효과 예측, 보고된 사건의 원인 결정, 책임 및 귀인 평가(예: 사건 x가 사건 y가 발생하는 데 필요한지 충분한지 여부)가 포함됩니다.

지도 기계 학습을 사용하여 의사 상관 패턴을 사용하여 모델을 예측하는 경우 상황이 과거와 마찬가지로 계속될 것이라는 암묵적인 가정이 있습니다. 동시에 예측된 결과에 따라 내려진 결정이나 조치의 결과로 이러한 패턴을 깨뜨리는 방식으로 환경이 적극적으로 변화하고 있습니다. ​

예측부터 의사결정까지​

의사결정을 위해서는 결과로 이어지는 특성을 찾고, 그 특성이 바뀌면 결과가 어떻게 변할지 추정해야 합니다. 많은 데이터 과학 문제는 인과 관계 문제이며, 의사결정 시나리오에서는 반사실적 추정이 일반적입니다. ​

• A/B 실험: 웹사이트 버튼 색상을 변경하면 참여도가 높아질까요? ​
• 정책 결정: 이 치료/정책이 채택되면 어떻게 결과에 변화가 생길까요? ​
• 정책 평가: 과거에 사업이 이룬 변화 또는 무엇입니까? 지금까지 알려진 바에 따르면, 정책이 변경하려는 제품에 도움이 되었거나 방해가 되었습니까? ​
• 인과관계와 인과효과란 무엇인가요? ​

행위나 치료(T)가 결과(Y)를 초래한다면, 행위(T)가 결과(Y)를 변화시키는 경우에만, 다른 모든 것을 일정하게 유지합니다. 인과관계란 한 요인을 바꾸면 다른 요인도 바뀔 수 있다는 뜻이다. ​

예: 아스피린이 두통을 완화할 수 있다면 두통의 상태만 바뀔 뿐입니다. ​

마케팅이 매출 증가를 가져올 수 있다면, 마케팅 활동이 매출 변화를 가져올 수 있다면 다른 모든 것은 그대로 유지될 수 있습니다. ​

인과 효과는 T의 단위 변화에 따른 Y의 변화 크기이며, 그 반대는 아닙니다.​

인과 효과 = E [Y | do(T=1)] - E [Y | do (T = 0)] (Judea Pearl의 Do-Calculus) ​

인과 추론에는 도메인 지식, 가정 및 전문 지식이 필요합니다. Microsoft의 ALICE 연구팀은 사람들의 업무와 생활을 더 쉽게 만들기 위해 DoWhy 및 EconML 오픈 소스 라이브러리를 개발했습니다. 인과관계 분석의 첫 번째 단계는 명확한 질문을 하는 것입니다. ​

• 어떤 치료/조치에 관심이 있나요? ​
• 어떤 결과를 고려하고 싶나요? ​
• 어떤 혼란 요인이 결과와 관련될 수 있나요? ​

인과 분석 파이프라인: 딥 러닝 기반 DECI(End-to-End Causal Inference)(Microsoft 특허). ​

인과발견-인과식별-인과추정-인과검증. ​

책임 있는 AI 대시보드(Azure Machine Learning Studio): 원인 분석​

이 기능은 모델 레지스트리에 있는 적합 모델의 해석을 기반으로 하며, 동일한 인과관계에 대한 이해가 있어야 달성할 수 있습니다. 변수 어떤 일이 일어날지 살펴보세요. 서로 다른 특성의 인과적 효과를 관찰하고 특유의 효과와 비교할 수 있으며, 서로 다른 그룹을 관찰하고 어떤 특성이나 정책이 그들에게 가장 적합한지 관찰할 수 있습니다. ​

• DECI: 발견이나 추정을 위해 단독으로 사용할 수도 있는 엔드투엔드 인과 추론을 위한 프레임워크를 제공합니다. ​
• EconML: 다양한 인과관계 추정 방법을 제공합니다. ​
• DoWhy: 다양한 식별 및 검증 방법을 제공합니다. ​
• ShowWhy: 사용자 친화적인 그래픽 사용자 인터페이스(GUI)에서 인과 의사 결정을 위한 코드 없는 엔드투엔드 인과 분석을 제공합니다.

요약​

현대 머신러닝과 딥러닝 알고리즘은 블랙박스 알고리즘을 해석하는 데이터에서 복잡한 패턴을 찾을 수 있으며, 그 해석은 머신러닝 알고리즘이 세상에서 배운 것을 의미할 수도 있습니다. ​

이러한 학습된 기계 학습 알고리즘을 사회에 적용하여 대출 승인, 건강 보험 정책과 같은 정책 결정을 내릴 때, 그것이 학습하는 세상은 세상에서 일어나는 일을 반드시 잘 반영하지는 않습니다.

그러나 데이터 기반 예측 모델은 투명하지만 실제로 설명할 수는 없습니다. 해석 가능성에는 인과 모델이 필요합니다(표 2 오류로 입증됨). 인과 모델은 세계의 일부 프로세스를 안정적으로 나타냅니다. 설명 가능한 AI는 편견 없이 효과적인 결정을 내릴 수 있도록 추론할 수 있어야 합니다. ​

원제: ​​종단 간 자동화된 프레임워크를 통해 인과 관계 질문에 답하기 위한 Azure Machine Learning Studio의 인과 분석​​, 작성자: Hari Hara

위 내용은 인과적 기계 학습을 사용하여 비즈니스 KPI를 최적화하기 위한 효과적인 실행 가능한 결정을 내립니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!