Atelier du GSIG, 12 juin 2005

Une brève leçon sur la construction de modèles causals à partir de données d’observation — un aperçu d’une perspective d’intelligence artificielle

Eric Neufeld (Université de la Saskatchewan) dimanche, 12 juin 2005 — 13:00-17:15

Dès le départ, la communauté d’intelligence artificielle (IA) s’est intéressé aux théories de la causalité, malgré les difficultés philosophiques qui y sont associées. Les robots intelligents et le logiciel doivent pouvoir inférer de manière efficace et raisonner avec la connaissance pratique des causes et effets. Ceci s’applique, que l’agent explore physiquement un environnement ou fournit un simple conseil.

Les résultats de Judea Pearl à UCLA et Spirtes, Glymour et Scheines (SGS) à CMU dans les années 1990 basent l’inférence causale sur des fondations statistiques et probabilistes. Ces groupes ont découvert indépendamment des algorithmes pour inférer une structure causale à partir de données d’observations et ont développé des méthodologies pour appliquer ces techniques à une variété de problèmes réels. Depuis, le domaine a pris de la maturité. Il a gagné en partie le respect de la communauté statistique traditionnelle, mais il s’est aussi attiré des critiques.

Cet atelier a pour but d’initier les participants aux fondements philosophiques et statistiques de la causalité, commençant par les définitions de base et utilisant ces définitions de manière itérative de construire une structure causale à partir de données brutes. L’algorithme de base identifie des relations causales potentielles et de ‘véritables’ relations causales et peut également identifier de fausses relations. Ces structures peuvent être utilisées pour calculer les résultats d’interventions (actions) dans des domaines, incluant les effets causals d’une variable en présence de facteurs confondants cachés/ nonmesurables. Les structures causales peuvent aussi apporter une solution ‘possible’ au paradoxe de Simpson. Nous passons en revue les succès de cette approche et discutons aussi une réponse critique (et un réponse aux critiques) de ce travail.