فراتر از همبستگی انقلاب علیت در عصر کلان داده ها

عصر حاضر با انفجار داده ها تعریف می شود. سازمان ها و پژوهشگران به حجم بی سابقه ای از اطلاعات دسترسی دارند که نویدبخش درک عمیق تر از پدیده هاست. با این حال نمونه های غالب در تحلیل داده های امروزی همچنان بر همبستگی (Correlation) استوار است. مشکل بنیادین اینجاست که همبستگی مستلزم علیت نیست. این مقاله استدلال می کند که علم داده نیازمند یک گذار پارادایمی از تحلیل های توصیفی و پیش بینانه به تحلیل های تجویزی و علی (Causal AI) است. تنها با درک ساختار علی پدیده ها است که می توانیم اثرات مداخلات را پیش بینی کنیم و به سوالات چه می شد اگر... (Counterfactuals) پاسخ دهیم. این پژوهش با بررسی جدیدترین دستاوردهای حوزه هوش مصنوعی، نقشه راهی برای ادغام علیت در سیستم های کلان داده ارائه می دهد. بخش نوآورانه مقاله به بررسی نقش مدل های زبانی بزرگ (LLMs) در استنتاج علی می پردازد. این مدل ها می توانند با تامین دانش پس زمینه (Background Knowledge) و تولید گراف های اولیه شکاف بین داده های خام و دانش انسانی را پر کنند. آینده هوش مصنوعی در گروی ترکیبی از قدرت محاسباتی یادگیری عمیق و قدرت استدلالی مدل های علی است.

کلیدواژه ها:

هوش مصنوعی ، علیت ، کلان داده ، استنتاج علی ، یادگیری ساختار ، نردبان علیت ، مدل های زبانی بزرگ