Unser CEO Jürgen Schmidt meinte, dass einen Blog zum Thema Causal AI am besten ich schreibe. Wenn es nämlich ein Nicht-Techniker macht, liest es sich vielleicht verständlicher, hat er gemeint. Naja, ich fühle mich geschmeichelt…
Causal AI wird gerade eifrig auf Kongressen diskutiert, laufend wird Neues dazu entwickelt und es ist eines der neueren Buzzwords zum Thema KI-Einsatz. Anders als KI an sich, deren Wurzeln bis in die 1950er Jahre zurückreichen, ist die neuere Denkschule von Causal AI tatsächlich eine relativ junge Technologie. Das Konzept stammt von Judea Pearl, der es 2018 in seinem “Book of Why” vorgestellt hat.
Was unterscheidet Korrelation von Kausalität?
Ereignisse, die gleichzeitig auftreten, legen häufig die Vermutung nahe, dass das Eine das Andere verursacht. Bei hoher statistischer Übereinstimmung spricht man von Korrelation. Allerdings ist Korrelation nicht gleichbedeutend mit Ursache.
Wir kennen viele Beispiele für zufällige Korrelation, die leicht aufzuklären sind. Je höher die Temperatur, desto mehr Staus in der Stadt. Also verursacht Hitze Staus. Natürlich wissen wir, dass Straßenbaustellen verstärkt in den Sommerferien eingerichtet werden. Die Sommer-Baustellen verursachen Staus, nicht die Hitze. Studien, die nur nach statistischen Korrelationen suchen, führen also oft zu falschen Erkenntnissen.
Kniffliger wird es, wenn ein kausaler Zusammenhang besteht, aber nicht so einfach erkennbar ist, was Ursache und was Wirkung ist. Mein Sohn ist Feuerwehrmann und hat mich einmal im Scherz darauf hingewiesen, dass die Schadenssumme umso höher ist, je mehr Feuerwehrleute an einem Einsatz teilnehmen. Besser wäre also, wenn weniger Einsatzkräfte kommen, dann bleibt der Schaden kleiner. Auch in diesem Fall ist schnell klar, dass zu einem Großereignis (Ursache) mehr Einsatzkräfte (Wirkung) gerufen werden als bei einem Verkehrsunfall mit Blechschaden.
Andere kausale Zusammenhänge sind schwerer aufzuklären. Zum Beispiel in der Abhängigkeit zwischen Angebot und Nachfrage. Wird vom Mitbewerb mehr in die Entwicklung neuer Produkte einer bestimmten Kategorie investiert, weil die Nachfrage steigt? Oder werden sie lieber gekauft, weil es ein breiteres Angebot gibt? Eine klassische Henne-Ei-Frage, die mit herkömmlichen Methoden maschinellen Lernens schwer zu beantworten ist. Ein kausales Modell kann Ursache-Wirkungs-Zusammenhänge aus großen Datenmengen erfassen und Zusammenhänge verstehen.
Simulation
Die Anwendungsmöglichkeiten gehen aber über das reine Erklären von “Was ist der Grund dafür?” weit hinaus. Die Auswirkungen von Interventionen können simuliert und teure Fehlentscheidungen mittels Causal AI vermieden werden. Welche Auswirkungen hat das Schließen eines Standortes, eine deutliche Preiserhöhung oder der Markteintritt eines Mitbewerbers?
– Der Ausfall eines wichtigen Kunden oder Lieferanten? So können beispielsweise auch Stresstests umgesetzt und die Resilienz von Unternehmen geprüft werden. Der alte Menschheitstraum, das “Was wäre, wenn?” in einem digitalen Planspiel herausfinden zu können, ist Realität geworden.
Wie funktionieren kausale KI-Modelle?
Bereits in den 1930er Jahren wurden Methoden aus der Ökonometrie und den Sozialwissenschaften beschrieben, die sich mit Kausalität beschäftigen. Kausale Modelle dürfen jedoch nicht ausschließlich auf Daten basieren, sondern müssen so konzipiert sein, dass es ein Verständnis der Ersteller für die vorhandenen kausalen Mechanismen berücksichtigt.
Der Kern ist das Verstehen und die Modellierung von Ursache-Wirkung-Beziehungen. Zur Veranschaulichung wird häufig ein sogenannter gerichteter azyklischer Graph (DAG) verwendet. Pearl hat zur Darstellung kausaler Beziehungen mithilfe von Graphen die sogenannten Bayes’schen Netzwerke maßgeblich weiterentwickelt. Die Pfeile werden gezeichnet, wenn zwischen zwei Variablen, die als Knoten dargestellt werden, eine kausale Beziehung besteht, obwohl die beobachtete statistische Korrelation nicht von der Richtung des Pfeils abhängt. Bayessche Netze sind leistungsstark und können auch bei komplexen Problemen den wahren Ursprung eines Effekts bestimmen und gezielt Optimierungen vorschlagen.
Judea Pearl beschreibt im “Book of Why” drei Ebenen des Wissens:
In dieser einfachsten Form des Lernens werden durch Beobachtung statistische Zusammenhänge und Korrelationen erkannt. Die meisten heute im Einsatz befindlichen Machine Learning Anwendungen bewegen sich nur auf dieser Stufe.
Hier kommt die Kausalität ins Spiel, indem das Verständnis dafür hergestellt wird, welche Ursache zu welcher Wirkung führt. Damit kann eine zufällige Korrelation ausgeschlossen werden.
Kontrafaktisches Denken oder Was-wäre-wenn-Szenarien sind Modelle, die um Simulation und Szenarien-Planung erweitert werden. Wir erkennen, was passiert, wenn eine Variable verändert wird.
Wie bereits eingangs erwähnt, ist die Forschung rund um Causal AI in den letzten Jahren richtig in Schwung gekommen. Manche Forschungsergebnisse wirken vorerst eher abstrakt, andere eignen sich bereits jetzt schon für die Umsetzung von realen Projekten.
Wo kommt Causal AI praktisch zum Einsatz?
Viele Branchen können von einem Einsatz dieser Technologien profitieren. Von Versicherungen (Risikofaktoren besser verstehen), über Energieversorgung (Stromausfälle verhindern), bis hin zu Supply Chain Management: Überall, wo komplexe Systeme optimiert werden, helfen kausale Modelle, die entscheidenden Stellschrauben zu erkennen und effizient zu handeln.
Gerne stehen wir für einen Austausch zur Verfügung, wenn sie darüber nachdenken, sich bei der Optimierung von Geschäfts- und Fertigungsprozessen oder strategischen Entscheidungen von Causal AI unterstützen zu lassen. Die Entscheidungen müssen Menschen treffen, die Grundlagen dafür können Algorithmen liefern.
Und: Keine Angst, dann kümmern sich unsere Entwickler und Data-Scientists um die Umsetzung des Projekts, nicht ich.
- Kontaktieren Sie STRG's Head of Business Development Friedrich, via E-Mail friedrich.dungl@strg.at oder rufen Sie uns kurz an: +43 1 526 56 29
