Causal Inference Nedir? Nedensellik Çıkarımı (Nedensellik Çıkarımı)

#causal-inference #nedensellik #judea-pearl #dag #scm #do-calculus #makine-ogrenimi #veri-bilimi

Verilerden korelasyon yerine gerçek neden-sonuç ilişkisi çıkaran yapay zeka yöntemi.

Causal Inference (Nedensellik Çıkarımı), veri içindeki değişkenler arasında yalnızca istatistiksel korelasyon bulmak yerine gerçek neden-sonuç ilişkilerini belirlemeyi hedefleyen bir yöntem ailesidir. Geleneksel makine öğrenimi 'A ve B birlikte değişiyor' der; nedensellik çıkarımı ise 'A, B'yi mi etkiliyor, yoksa B, A'yı mı, ya da ikisi de ortak bir gizli değişkenden mi kaynaklanıyor?' sorusunu yanıtlar. Judea Pearl'ün 2011 Turing Ödülü'ne değer görülen çalışmaları bu alanın temelini oluşturmuştur.

Korelasyon ile Nedensellik Arasındaki Fark

Makine öğrenimi modelleri büyük başarılar elde etmiştir ancak temel olarak korelasyonla çalışır: 'X olan yerde genellikle Y de olur.' Ancak bu bilgi, 'X yaparsam Y olur mu?' sorusunu yanıtlamaz. Dondurma satışlarının artmasıyla boğulma vakalarının artması birbiriyle korelasyonludur — ama dondurma boğulmaya yol açmaz; her ikisi de yaz sıcağından kaynaklanır. Causal inference, bu tür yanıltıcı korelasyonları ayırt etmek için sistematik yöntemler sunar.

Judea Pearl'ün Nedensellik Merdiveni

Pearl, nedensel akıl yürütmeyi üç basamaklı bir merdivenle açıklar: **Basamak 1 — Gözlem (Association):** 'A olduğunda B ne kadar sık oluyor?' Standart istatistik ve ML bu düzeyde çalışır. **Basamak 2 — Müdahale (Intervention):** 'A'ya müdahale etsem (do(A)) B ne olur?' Bu, RCT gibi kontrollü deneylerin veya do-calculus'un yanıtladığı sorudur. **Basamak 3 — Karşıolgusal (Counterfactual):** 'A olmasaydı B olur muydu?' Bu en güçlü basamaktır ve hukuki sorumluluk, tıbbi etik gibi alanlarda kritiktir.

Temel Araçlar: DAG ve SCM

**DAG (Directed Acyclic Graph / Yönlü Asiklik Graf):** Değişkenler arasındaki nedensel ilişkileri yönlü oklar ve döngüsüz düğümlerle görselleştirir. Hangi değişkenlerin 'confounder' (karıştırıcı) olduğunu tespit etmek için kullanılır. **SCM (Structural Causal Model / Yapısal Nedensel Model):** Nedensel diyagramlar, yapısal denklemler ve karşıolgusal mantığı birleştiren kapsamlı çerçeve. Bir değişkendeki müdahalenin sistemin geri kalanını nasıl etkileyeceğini modellemek için idealdir. **do-calculus:** Pearl'ün geliştirdiği matematiksel araç. P(Y | X) (gözlem) ile P(Y | do(X)) (müdahale) arasındaki farkı formüle eder.

Yapay Zekada Uygulamaları

**Sağlık:** İlaç etkisini ölçmek için gözlemsel verilerden RCT sonuçlarını simüle etmek. **Ekonomi Politikası:** Minimum ücret artışının işsizliğe etkisi gibi politika kararlarını değerlendirmek. **Adil AI (Algorithmic Fairness):** Bir kararın korunan bir özelliğe (ırk, cinsiyet) nedensel olarak bağlı olup olmadığını tespit etmek. **Tavsiye Sistemleri:** 'Kullanıcı bu ürünü satın aldı' ile 'Bu tavsiye kullanıcıyı bu ürünü almaya yöneltti' arasındaki farkı ölçmek. **Büyük Dil Modelleri:** LLM'lerin korelasyon bazlı yanıtlar üretmesini aşmak ve gerçek akıl yürütme kapasitesi kazandırmak için causal AI araştırmaları hız kazanmaktadır.