Las causas de los problemas del mundo real en economía y salud pública pueden ser muy difíciles de determinar. A menudo, se sospecha de múltiples causas, pero no se dispone de grandes conjuntos de datos con datos secuenciados en el tiempo. Los modelos anteriores no pudieron analizar de manera confiable estos desafíos. Ahora, Los investigadores han probado el primer modelo de inteligencia artificial para identificar y clasificar muchas causas en problemas del mundo real sin datos secuenciados en el tiempo. utilizando una estructura causal multinodal y gráficos acíclicos dirigidos.

Cuando pasa algo malo es natural intentar averiguar por qué sucedió. ¿Qué lo causó? Si se determina la causa, puede ser posible evitar el mismo resultado la próxima vez. Sin embargo, algunas de las formas en que los humanos intentan comprender los eventos, como recurrir a la superstición, no puedo explicar lo que está sucediendo realmente. Tampoco la correlación, lo que solo puede decir que el evento B ocurrió aproximadamente al mismo tiempo que el evento A.

Para saber realmente qué causó un evento, necesitamos mirar la causalidad, cómo fluye la información de un evento a otro. Es el flujo de información lo que muestra que hay un vínculo causal:ese evento A causó el evento B. Pero, ¿qué sucede cuando falta el flujo de información secuenciada en el tiempo del evento A al evento B? Se requiere una causalidad general para identificar las causas.

Los modelos matemáticos de causalidad general han sido muy limitados, trabajando hasta por dos causas. Ahora, en un gran avance en inteligencia artificial, Los investigadores han desarrollado el primer modelo robusto para la causalidad general que identifica múltiples conexiones causales sin datos de secuencia de tiempo, el Modelo de Ruido Aditivo Multivariado (MANM).

Investigadores de la Universidad de Johannesburgo, Sudáfrica, y el Instituto Nacional de Tecnología Rourkela, India, desarrolló el modelo y lo probó en simuladas, conjuntos de datos del mundo real. La investigación se publica en la revista Redes neuronales .

"Excepcionalmente, el modelo puede identificar múltiples, factores causales jerárquicos. Funciona incluso si los datos con secuencia de tiempo no están disponibles. El modelo crea oportunidades significativas para analizar fenómenos complejos en áreas como la economía, brotes de enfermedades, cambio climático y conservación, "dice el profesor Tshilidzi Marwala, un profesor de inteligencia artificial, y experto global en inteligencia artificial y economía de la Universidad de Johannesburgo, Sudáfrica.

"El modelo es especialmente útil a nivel regional, nivel nacional o mundial donde no es posible realizar experimentos controlados o naturales, "agrega Marwala.

Superstición y correlación hacia la causalidad

"Si un gato negro cruza la calle, o un búho ulula en un tejado, algunas personas están convencidas de que va a pasar algo realmente malo. Una persona puede pensar que hay una conexión entre ver al gato o al búho y lo que sucedió después. Sin embargo, desde el punto de vista de la inteligencia artificial, decimos que no hay vínculos causales entre el gato, el búho, y lo que pasa con la gente que los ve. El gato o el búho fueron vistos justo antes del evento, pero están simplemente correlacionados en el tiempo con lo que sucedió después, "dice el profesor Marwala.

Mientras tanto, dentro de la casa donde se avistó el búho, puede que esté sucediendo algo más siniestro. Es posible que la familia interna se endeude cada vez más. Tal situación financiera puede imponer severas restricciones al hogar, eventualmente convirtiéndose en una trampa de la que hay poco escape. Pero, ¿las personas que viven allí comprenden las conexiones causales reales entre lo que les sucede, lo que hacen, y sus niveles de deuda?

Causalidad a nivel del hogar

Las causas de la persistencia de la deuda de los hogares son un buen ejemplo de lo que es capaz de hacer el nuevo modelo, dice el investigador postdoctoral Dr. Pramod Kumar Parida, autor principal del artículo de investigación.

"A nivel del hogar, uno puede preguntarse:¿Ha perdido el hogar parte o la totalidad de sus ingresos? ¿Algunos o todos los miembros gastan más allá de sus ingresos? ¿Le ha sucedido algo a los miembros del hogar que está forzando un gasto enorme, como facturas médicas o por discapacidad? ¿Están gastando sus ahorros o inversiones? que ahora se han agotado? ¿Está sucediendo una combinación de estas cosas? si es así, ¿Cuáles son las causas más dominantes de la deuda? "

Si hay suficientes datos disponibles sobre las transacciones financieras del hogar, completar con información de fecha y hora, es posible que alguien descubra las conexiones causales reales entre los ingresos, gastar, ahorros, inversiones y deuda.

En este caso, La simple teoría de la causalidad es suficiente para descubrir por qué esta familia está luchando.

Causalidad general a nivel social

Pero, dice Parida, "¿Cuáles son las verdaderas razones por las que la mayoría de las personas en una ciudad o región están luchando financieramente? ¿Por qué no están saliendo de sus deudas?" Ahora, ya no es posible que un equipo de personas averigüe esto a partir de los datos disponibles, y se abre un desafío matemático completamente nuevo.

"Especialmente si desea conocer las conexiones causales reales entre los ingresos familiares, gastar, ahorros y deudas de la ciudad o región, en lugar de conjeturas de expertos o 'lo que la mayoría de la gente cree, "" él añade.

"Aquí, la teoría de la causalidad falla, porque los datos de transacciones financieras de los hogares de la ciudad o región estarán incompletos. También, faltará información de fecha y hora para algunos datos. Lucha financiera en baja, los hogares de ingresos medios y altos pueden ser muy diferentes, por lo que querrá ver las diferentes causas del análisis, "dice Parida.

"Con este modelo, puede identificar puede identificar múltiples factores impulsores principales que causan la deuda familiar. En el modelo, llamamos a estos factores las conexiones causales independientes de los padres. También puede ver qué conexiones causales son más dominantes que las demás. Con una segunda pasada por los datos, también puede ver los factores de conducción menores, lo que llamamos las conexiones causales del niño independiente. De este modo, es posible identificar una posible jerarquía de conexiones causales ".

Análisis causal significativamente mejorado

El modelo de ruido aditivo multivariado (MANM) proporciona un análisis causal significativamente mejor en conjuntos de datos del mundo real que los modelos estándar de la industria actualmente en uso, dice el coautor, el profesor Snehashish Chakraverty, en el Grupo de Matemáticas Aplicadas, Departamento de Matemáticas, Instituto Nacional de Tecnología Rourkela, India.

"Con el fin de mejorar un problema regional complejo como la deuda de los hogares o los desafíos de la atención médica, puede que no sea suficiente tener el conocimiento de los patrones de la deuda, o de enfermedad y exposición. De lo contrario, debemos entender por qué existen tales patrones, para tener la mejor forma de cambiarlos. Los modelos anteriores desarrollados por investigadores trabajaron con un máximo de dos factores causales, es decir, eran modelos bivariados, que simplemente no pudo encontrar varios criterios de dependencia de funciones, " él dice.

Gráficos acíclicos dirigidos

"MANM se basa en gráficos acíclicos dirigidos (DAG), que puede identificar una estructura causal multinodal. MANM puede estimar todas las posibles direcciones causales en conjuntos de características complejas, sin direcciones perdidas o incorrectas ".

El uso de DAG es una razón clave por la que MANM supera significativamente los modelos desarrollados previamente por otros, que se basaron en el análisis de componentes independientes (ICA), como el modelo acíclico lineal no gaussiano (ICA-LiNGAM), Búsqueda codiciosa de DAG (GDS) y regresión con prueba independiente posterior (RESIT), él dice.

"Otra característica clave de MANM es el factor de influencia causal propuesto (CIF), para el descubrimiento exitoso de direcciones causales en el sistema multivariado. El puntaje CIF proporciona un indicador confiable de la calidad de la inferencia casual, que permite evitar la mayoría de las direcciones faltantes o incorrectas en la estructura causal resultante, "concluye Chakraverty.

Donde un conjunto de datos existente esté disponible, MANM ahora permite identificar múltiples estructuras causales multindales dentro del conjunto. Como ejemplo, MANM puede identificar las múltiples causas de la persistencia de la deuda de los hogares por bajos, hogares de ingresos medios y altos en una región.