Devenind eficient cu „Ce se intampla-daca …” – Microsoft Research

Inferenta cauzala studiaza relatia dintre cauze si efecte. De exemplu, un fel de intrebare la care inferenta cauzala poate raspunde este intrebarea „Ce se intampla-daca …”. Ce se intampla daca iau un anumit medicament? Ce se intampla daca cresc pretul unui produs? Ce se intampla daca merg la urgenta? Ce se intampla daca schimb o politica publica?

Adesea, raspunsurile la aceste intrebari variaza in functie de context – diferiti pacienti ar putea fi mai mult sau mai putin susceptibili de a experimenta efecte secundare ale unui medicament, iar efectele de stabilire a preturilor pot varia in functie de pozitia pe piata a unui produs. In mod similar, in experientele infuzate de AI in produsele noastre de productivitate, unele modele si alegeri functioneaza bine pentru unele grupuri, dar nu neaparat pentru intreaga populatie (luati in considerare, de exemplu, diferitele nevoi de productivitate ale consumatorilor si producatorilor de informatii sau ale vanzatorilor, analistilor financiari Identificarea acestui efect specific este ceea ce numim descoperirea efectului de tratament individual (ITE ) si exista multe abordari pentru a descoperi efectul cauzal al unui tratament pentru orice individ dintr-o populatie observata.

Cu toate acestea, pentru a calcula ITE, abordarile actuale presupun ca toate variabilele utilizate pentru instruirea modelului continua sa fie disponibile pentru indivizi la momentul testului. Adica, daca dorim sa estimam efectul unui medicament pentru un pacient nou, efectul scaderii pretului unui produs nou sau efectul unei schimbari de politica intr-un oras nou, atunci trebuie sa masuram toate aspectele context inainte de a putea incepe sa prezicem efectul schimbarii.

Din pacate, exista adesea constrangeri practice semnificative care limiteaza disponibilitatea datelor despre noile cazuri de testare. De exemplu, o examinare fizica poate fi necesara inainte de a decide daca un tratament va aduce beneficii unui anumit pacient fara a avea la dispozitie toate testele medicale relevante. In aceasta situatie, medicul ar prefera sa identifice si sa efectueze setul minim de teste medicale necesare pentru a estima cu exactitate efectul tratamentului pentru acest pacient. Situatii similare apar cu asistentii sociali, ofiterii de imprumut, judecatorii si alti factori de decizie – trebuie sa identifice un set mic de informatii pe care sa le adune pentru a estima cu exactitate efectul unei decizii. Numim aceasta predictie ITE .

Maggie Makar, studenta la doctorat MIT si recenta stagiara in Microsoft Research, va prezenta cercetarile noastre cu privire la solutiile la aceasta problema la cea de-a treizeci si a treia conferinta AAAI de inteligenta artificiala din Honolulu, Hawaii, 27 ianuarie – 1 februarie.

In cercetarea noastra, am recunoscut ca descoperirea ITE si predictia ITE sunt sarcini legate, dar semnificativ diferite. Pentru ca un algoritm sa execute descoperirea ITE fiabila, trebuie sa indeplineasca doua functii: ajustarea pentru confuzie si estimarea efectelor eterogene . Ajustarea pentru conturile confuze pentru situatiile in care tratamentele nu sunt alocate aleatoriu in datele de instruire si trebuie sa separam efectul unui tratament de alte cauze ale diferentelor sistematice in rezultate. De exemplu, pacientii mai bolnavi care sunt mai predispusi sa moara sunt, de asemenea, mai predispusi sa primeasca tratamente agresive.

Estimarea efectelor eterogene explica faptul ca indivizii raspund diferit la acelasi tratament pe baza caracteristicilor lor. De exemplu, unele persoane ar putea avea un raspuns sistematic advers la un tratament agresiv.

Se pare ca predictia ITE necesita doar o estimare a efectului eterogena. Aceasta inseamna ca, in scenarii in care multe variabile actioneaza ca confundatori si relativ putine influenteaza efecte eterogene, putem efectua predictii ITE cu date mult mai putine decat cele necesare pentru descoperirea ITE.

Abordarea noastra, estimarea efectului tratamentului individual cu date eficiente(DEITEE), exploateaza aceasta diferenta intre descoperirea ITE si predictia ITE. Intr-un proces in doi pasi, DEITEE dezvolta mai intai modele bogate care exploateaza toate variabilele pentru ajustare pentru confuzie si, in al doilea pas, rafineaza aceste modele prin identificarea setului minim de variabile necesare pentru predictia ITE. In plus, DEITEE permite „estimarea timpurie” a ITE; o persoana poate primi o estimare ITE imbunatatita pe masura ce sunt colectate informatii noi, iar DEITEE poate identifica intrebari personalizate pe baza informatiilor deja colectate. Impreuna, aceste proprietati – capacitatea de a prezice efectul individualizat al unui tratament cu colectare minima si personalizata de date – extind semnificativ scenariile in care putem implementa metode cauzale in luarea deciziilor bazate pe date.

In cele din urma, pe masura ce dispozitivele si algoritmii nostri de calcul continua sa joace un rol din ce in ce mai mare in deciziile importante – fie ca vorbim despre personalizari software, tratamente medicale, politici publice sau decizii de afaceri – imbunatatirile in descoperirea si prezicerea efectelor individuale ale tratamentului sunt esentiale pentru obtinerea celor mai bune rezultate. pentru fiecare persoana. Imperecherea cu succes a tehnicilor de inferenta cauzala cu invatarea automata statistica, cum ar fi invatarea profunda, reprezinta una dintre urmatoarele mari frontiere in cercetarea AI.

Pentru a ni se alatura in cautarea noastra, explorati oportunitati de cariera la MSR AI.