En el campo de la inteligencia artificial, la toma de decisiones causales es un tema de gran relevancia y complejidad. A través de la inferencia causal a partir de datos observacionales, se busca establecer la mejor acción en la toma de decisiones sin necesidad de llevar a cabo costosos ensayos aleatorios. Sin embargo, la identificación de los efectos causales puede ser un desafío, especialmente en presencia de confusión no observada.
Recientemente, se ha recurrido al uso de redes neuronales para obtener límites prácticos para estos efectos causales, lo cual ha representado un avance significativo en un problema que suele ser intratable. No obstante, es importante tener en cuenta que estas aproximaciones pueden tender a sobreajustarse al conjunto de datos y a ser demasiado confiadas en sus estimaciones de efectos causales.
Q2BSTUDIO, como empresa especializada en desarrollo de software a medida y aplicaciones personalizadas, comprende la importancia de este tipo de avances en el campo de la inteligencia artificial. Nuestros servicios incluyen soluciones en inteligencia de negocio, ciberseguridad, servicios en la nube de AWS y Azure, entre otros, que pueden ser de gran utilidad en proyectos que involucren la descomposición de la incertidumbre epistémica para la toma de decisiones causales.
Una de las principales dificultades radica en distinguir cuánto de la amplitud de los límites de efectos causales se debe a la no identificabilidad fundamental y cuánto a limitaciones de muestra finita. Es por ello que proponemos un novedoso marco de trabajo que considera un conjunto de confianza alrededor de la distribución observacional empírica. Mediante la intersección de los límites de efectos causales para todas las distribuciones dentro de este conjunto de confianza, podemos diferenciar la parte del intervalo que puede reducirse recolectando más muestras (incertidumbre de muestra) de la que solo puede reducirse observando más variables (como confusores latentes o variables instrumentales) y no con más datos (incertidumbre no identificable).
Nuestro enfoque implica la resolución de problemas de minimización y maximización con modelos neuronales causales, explorando todas las distribuciones de las cuales el conjunto de datos podría haber sido muestreado y todos los CMs que implican la distribución correspondiente. A través de experimentos extensos en conjuntos de datos sintéticos y del mundo real, hemos demostrado que nuestro algoritmo puede determinar cuándo recolectar más muestras no contribuirá a determinar la mejor acción. Esto puede orientar a los profesionales hacia la recolección de más variables o la inclinación hacia un estudio aleatorizado para la identificación de la mejor acción.
En Q2BSTUDIO estamos comprometidos con la innovación tecnológica y la aplicación de la inteligencia artificial en diversos ámbitos empresariales. Si deseas conocer más sobre nuestro trabajo en desarrollo de software a medida e inteligencia artificial para empresas, te invitamos a visitar nuestra página web.
