인과추론의 데이터 과학 - 인과추론과 예측 방법론의 차이

 

참고영상 : Bootcamp 1-1. 인과추론과 예측 방법론의 차이 

 

 

 

1. 데이터 과학 : 인과추론 방법론 (ex. 계량경제학) + 예측 방법론 (ex.머신러닝) 

---

 

 

 

 

 

 

2. 영화 "머니볼" 

---

• 야구 코치들은 선수들이 더 좋은 성과를 낼 수 있는 요인들 (causes) 을 찾고, 데이터사이언티스트들은 구체적인 선수에 대한 요인들에 상관없이 승리할 확률을 높이는 것을 더 중요하게 여긴다. 

• Prediction 과 causual inference 는 다르다. 

 

 

 

 

 

3. 데이터과학/분석의 프레임워크 

---

 

•  Causual inference 가 필요한 경우

↪ Input-Oriented approach ⇨ ex. 코로나 19 백신을 맞아야 되는지, 마케팅 프로모션을 진행해야 하는지, 정책을 도입해야 하는지 말아야 하는지 

 

•  Prediction 이 필요한 경우

↪ Output-Oriented approach ⇨ target 에 가장 가까운 output 을 얻는 것이 목적인 경우. 예를들어 코로나 19의 감염 추세 예측, 이미지 분류 예측의 사례가 있다. 최적의 best output 을 얻는 것이 목적 

 

•  그러나 input 과 output oriented 가 상호 보완적으로 이루어지는 경우도 분명 있다. 가령 인과추론을 통해 얻게된 원인변수를 prediction 에 활용하여 output 을 안정적으로 예측하는 경우가 있을 수 있다. 

 

 

 

 

•  Example : 안전점검과 도시안전 

↪ Input : safety inspection : 안전점검을 시행해야 할지 말아야 할지 결정 : 건물, 식당의 안전의 위협이 되는 원인을 찾기 

↪ Output : Urban safety : 도시 안전을 극대화 하는 것이 목적이라면 urban safety 를 극대화 할 수 있는 요인들을 찾아 안전점검을 수행할 수 있다. FastFood 음식점의 유무에 따라 안전정도를 예측해보는 task 를 수행해볼 수 있다. 

 

 

 

•  Example : 소셜네트워크와 인플루언서 마케팅 

↪  인과추론 : 인플루언서 마케팅의 효과를 측정하는 것, 인플루언서의 홍보와 팔로워들의 구매결정 사이의 관계를 해석 (인플루언서들의 영향이 주변 팔로워들까지의 인과적인 효과가 있는지) 

↪  Prediction : 소셜네트워크에서 맞팔로우 관계를 통해 어떤 정치적 성향을 가지고 있는지 예측하는 것, 이는 인과관계가 성립할 필요는 없음. 상황에 따라 상관관계만 사용해도 충분한 경우가 있음 

 

 

 

•  인과추론의 주된 목적은 input 을 개선하기 위한 intervention 을 구하기 위함이다. 

 

 

 

 

4. AI/ML without causal models rely on correlation 

---

 

•  대부분의 ML/AI 방법론들은 상관관계에 기반해서 데이터 패턴을 예측하는 것에 집중되어 있고, 인과관계를 추론하는 데에는 한계가 있다. 그러나, 머신러닝을 활용한 다양한 인과추론 모델이 연구되고 있다. 

 

 

 

•  인과추론 관점에선, 빅데이터만으로는 한계가 있다. 인과추론을 위해 필요한 것은, 근본적으로 인과적 관계에 대한 깊은 이해다.