p As causas dos problemas do mundo real em economia e saúde pública podem ser notoriamente difíceis de determinar. Muitas vezes, múltiplas causas são suspeitas, mas grandes conjuntos de dados com dados sequenciados no tempo não estão disponíveis. Os modelos anteriores não conseguiam analisar esses desafios de maneira confiável. Agora, pesquisadores testaram o primeiro modelo de inteligência artificial para identificar e classificar muitas causas em problemas do mundo real sem dados sequenciados no tempo, usando uma estrutura causal multi-nodal e Gráficos Acíclicos Direcionados. p Quando algo ruim acontece, é natural tentar descobrir por que isso aconteceu. O que causou isso? Se a causa for determinada, pode ser possível evitar o mesmo resultado da próxima vez. Contudo, algumas das maneiras pelas quais os humanos tentam entender os eventos, como recorrer à superstição, não pode explicar o que realmente está acontecendo. Nem a correlação, o que só pode dizer que o evento B aconteceu ao mesmo tempo que o evento A.

p Para saber realmente o que causou um evento, precisamos olhar para a causalidade - como a informação flui de um evento para outro. É o fluxo de informações que mostra que existe uma ligação causal - aquele evento A causou o evento B. Mas o que acontece quando o fluxo de informações sequenciado no tempo do evento A para o evento B está faltando? A causalidade geral é necessária para identificar as causas.

p Modelos matemáticos para causalidade geral têm sido muito limitados, trabalhando por até duas causas. Agora, em uma descoberta de inteligência artificial, pesquisadores desenvolveram o primeiro modelo robusto de causalidade geral que identifica várias conexões causais sem dados de sequência de tempo, o modelo multivariado de ruído aditivo (MANM).

p Pesquisadores da Universidade de Joanesburgo, África do Sul, e Instituto Nacional de Tecnologia Rourkela, Índia, desenvolveu o modelo e testou-o em simulados, conjuntos de dados do mundo real. A pesquisa está publicada na revista. Redes neurais .

p "Unicamente, o modelo pode identificar vários, fatores causais hierárquicos. Funciona mesmo se os dados com sequenciamento de tempo não estiverem disponíveis. O modelo cria oportunidades significativas para analisar fenômenos complexos em áreas como economia, surtos de doenças, mudança climática e conservação, "diz o professor Tshilidzi Marwala, um professor de inteligência artificial, e especialista em IA global e economia na Universidade de Joanesburgo, África do Sul.

p "O modelo é especialmente útil no regional, nível nacional ou global onde nenhum experimento controlado ou natural é possível, "acrescenta Marwala.

p Superstição e correlação com a causalidade

p "Se um gato preto atravessa a estrada, ou uma coruja pia no telhado, algumas pessoas estão convencidas de que algo realmente ruim vai acontecer. Uma pessoa pode pensar que há uma conexão entre ver o gato ou a coruja e o que aconteceu depois. Contudo, do ponto de vista da inteligência artificial, dizemos que não há ligações causais entre o gato, a coruja, e o que acontece com as pessoas que os veem. O gato ou a coruja foram vistos pouco antes do evento, mas eles são meramente correlacionados no tempo com o que aconteceu depois, "diz o Prof Marwala.

p Enquanto isso, dentro da casa onde a coruja foi avistada, algo mais sinistro pode estar acontecendo. A família interna pode estar cada vez mais endividada. Tal situação financeira pode impor severas restrições à família, eventualmente se tornando uma armadilha da qual há pouca fuga. Mas as pessoas que vivem lá entendem as verdadeiras conexões causais entre o que acontece com elas, o que eles fazem, e seus níveis de endividamento?

p Causalidade ao nível do agregado familiar

p As causas da dívida doméstica persistente são um bom exemplo do que o novo modelo é capaz, diz o pesquisador de pós-doutorado Dr. Pramod Kumar Parida, autor principal do artigo de pesquisa.

p "No nível familiar, pode-se perguntar:a família perdeu parte ou toda a sua renda? Alguns ou todos os membros estão gastando além de sua renda? Aconteceu algo com os membros da família que está forçando um gasto enorme, como contas médicas ou de invalidez? Eles estão usando suas economias ou investimentos, que agora acabaram? É uma combinação dessas coisas acontecendo, se então, quais são as causas mais dominantes da dívida? "

p Se houver dados suficientes sobre as transações financeiras da família, completo com informações de data e hora, é possível que alguém descubra as verdadeiras conexões causais entre a renda, gasta, poupança, investimentos e dívidas.

p Nesse caso, a teoria da causalidade simples é suficiente para descobrir por que essa família está lutando.

p Causalidade geral a nível social

p Mas, disse Parida, "Quais são os verdadeiros motivos pelos quais a maioria das pessoas em uma cidade ou região está tendo dificuldades financeiras? Por que não estão saindo das dívidas?" Agora, não é mais possível para uma equipe de pessoas descobrir isso a partir dos dados disponíveis, e um novo desafio matemático se abre.

p "Especialmente se você quiser as conexões causais reais entre a renda familiar, gasta, poupança e dívida para a cidade ou região, ao invés de suposições de especialistas ou 'o que a maioria das pessoas acredita, "" ele adiciona.

p "Aqui, a teoria da causalidade falha, porque os dados de transações financeiras para famílias na cidade ou região estarão incompletos. Também, as informações de data e hora estarão faltando para alguns dados. Luta financeira em baixa, famílias de renda média e alta podem ser muito diferentes, então você vai querer ver as diferentes causas da análise, "diz Parida.

p "Com este modelo, você pode identificar pode identificar vários fatores principais que causam a dívida das famílias. No modelo, chamamos esses fatores de conexões causais de pais independentes. Você também pode ver quais conexões causais são mais dominantes do que as outras. Com uma segunda passagem pelos dados, você também pode ver os fatores de direcionamento menores, o que chamamos de conexões causais infantis independentes. Desta maneira, é possível identificar uma possível hierarquia de conexões causais. "

p Análise causal significativamente melhorada

p O Multivariate Additive Noise Model (MANM) fornece uma análise causal significativamente melhor em conjuntos de dados do mundo real do que os modelos padrão da indústria atualmente em uso, diz o coautor Prof Snehashish Chakraverty, no Grupo de Matemática Aplicada, Departamento de Matemática, Instituto Nacional de Tecnologia Rourkela, Índia.

p "Para melhorar um problema regional complexo, como a dívida das famílias ou os desafios da saúde, pode não ser suficiente ter o conhecimento dos padrões da dívida, ou de doença e a exposição. Pelo contrário, devemos entender por que tais padrões existem, ter a melhor maneira de alterá-los. Modelos anteriores desenvolvidos por pesquisadores trabalharam com no máximo dois fatores causais, ou seja, eram modelos bivariados, que simplesmente não conseguia encontrar vários critérios de dependência de recursos, " ele diz.

p Gráficos acíclicos dirigidos

p "MANM é baseado em gráficos acíclicos dirigidos (DAGs), que pode identificar uma estrutura causal multi-nodal. MANM pode estimar todas as direções causais possíveis em conjuntos de recursos complexos, sem direções ausentes ou erradas. "

p O uso de DAGs é um dos principais motivos pelos quais o MANM supera significativamente os modelos desenvolvidos anteriormente por outros, que foram baseados na Análise de Componentes Independentes (ICA), como o Modelo Acíclico Linear Não Gaussiano (ICA-LiNGAM), Greedy DAG Search (GDS) e regressão com teste independente subsequente (RESIT), ele diz.

p "Outra característica fundamental do MANM é o Fator de Influência Causal (CIF) proposto, para a descoberta bem-sucedida de direções causais no sistema multivariado. A pontuação CIF fornece um indicador confiável da qualidade da inferência casual, o que permite evitar a maioria das direções ausentes ou erradas na estrutura causal resultante, "conclui Chakraverty.

p Onde um conjunto de dados existente está disponível, O MANM agora torna possível identificar múltiplas estruturas causais multi-nodais dentro do conjunto. Como um exemplo, MANM pode identificar as múltiplas causas da dívida familiar persistente para baixo, famílias de renda média e alta em uma região.