Real time Artificial Intelligence news

The Book of WHY

“The Book of Why: La nuova scienza della causa e dell’effetto” è un libro del 2018 rivoluzionario scritto da Judea Pearl e Dana Mackenzie che esplora i concetti di causalità e inferenza causale. Il libro mira a fornire un nuovo framework per comprendere le relazioni causa-effetto, andando oltre i metodi statistici tradizionali, che spesso si concentrano sulla correlazione piuttosto che sulla causalità. In questa recensione, esploreremo i concetti chiave dietro “The Book of Why” e discuteremo le sue implicazioni per vari campi, tra cui l’intelligenza artificiale, l’economia e le scienze sociali.

Causalità vs Correlazione

Uno dei temi centrali di “The Book of Why” è la distinzione tra causalità e correlazione. Mentre la correlazione si riferisce a una relazione statistica tra due variabili, la causalità implica una relazione causa-effetto tra di esse. Ad esempio, potrebbe esserci una correlazione tra le vendite di gelati e i tassi di criminalità, ma questo non significa che i gelati causino la criminalità. Al contrario, sia le vendite di gelati che i tassi di criminalità potrebbero essere influenzati da una terza variabile, come la temperatura.

I metodi statistici tradizionali spesso si concentrano sulla correlazione, in quanto è più facile da misurare e analizzare rispetto alla causalità. Tuttavia, questo approccio può portare a conclusioni errate e decisioni errate. Come sostiene Pearl, comprendere la causalità è essenziale per prendere decisioni informate, in quanto ci consente di prevedere gli effetti degli interventi e delle politiche.

Modelli causali

Per affrontare i limiti dei metodi statistici tradizionali, Pearl propone l’uso di modelli causali. I modelli causali sono rappresentazioni grafiche delle relazioni causa-effetto tra le variabili. Consentono di visualizzare le relazioni tra le variabili e fare previsioni sugli effetti degli interventi.

I modelli causali sono costituiti da nodi, che rappresentano le variabili, e frecce, che rappresentano le relazioni causali tra le variabili. Ad esempio, un modello causale della relazione tra fumo e cancro ai polmoni potrebbe includere nodi per il fumo, i depositi di catrame nei polmoni e il cancro ai polmoni, con frecce che collegano il fumo ai depositi di catrame e i depositi di catrame al cancro ai polmoni.

I modelli causali possono essere utilizzati per rispondere a una varietà di domande, tra cui:

Cosa succederebbe se intervenissimo su una particolare variabile? Ad esempio, cosa succederebbe ai tassi di cancro ai polmoni se riducessimo i tassi di fumo?

Qual è l’effetto di una particolare variabile su un’altra variabile? Ad esempio, qual è l’effetto dei depositi di catrame sul cancro ai polmoni?

Qual è la probabilità di un particolare risultato dato un insieme di condizioni? Ad esempio, qual è la probabilità di sviluppare il cancro ai polmoni dato un certo livello di depositi di catrame nei polmoni?

Inferenza causale

L’inferenza causale è il processo di utilizzo dei dati per trarre conclusioni sulle relazioni causa-effetto. I metodi statistici tradizionali spesso si basano su prove controllate randomizzate (RCT) per stabilire la causalità. Tuttavia, gli RCT non sono sempre fattibili o etici, e potrebbero non fornire sempre risultati accurati.

Pearl propone l’uso di algoritmi di inferenza causale, che possono essere utilizzati per trarre conclusioni causali dai dati osservazionali. Questi algoritmi utilizzano modelli causali per simulare gli effetti degli interventi e prevedere gli esiti di scenari diversi.

L’inferenza causale ha una vasta gamma di applicazioni, tra cui:

Intelligenza artificiale: l’inferenza causale può essere utilizzata per sviluppare sistemi di intelligenza artificiale in grado di prendere decisioni basate sulle relazioni causa-effetto.

Economia: l’inferenza causale può essere utilizzata per valutare gli effetti delle politiche economiche e prevedere gli esiti di scenari diversi.

Scienze sociali: l’inferenza causale può essere utilizzata per studiare gli effetti degli interventi sociali e prevedere gli esiti di politiche diverse.

Implicazioni e critiche

“The Book of Why” è stato ampiamente elogiato per il suo approccio innovativo alla causalità e all’inferenza causale. Tuttavia, è stato anche criticato per la sua complessità e la sua dipendenza dai modelli grafici. Alcuni critici sostengono che i modelli causali sono difficili da costruire e interpretare, e che potrebbero non fornire sempre risultati accurati.

In “The Book of Why”, Judea Pearl sostiene che le invenzioni non possono essere create dall’IA perché il processo di invenzione richiede una profonda comprensione della causalità che i sistemi di intelligenza artificiale attualmente non possiedono. ( a meno’ che non vengano dotate di capacita’ cognitive Dina)

Secondo Pearl, il processo di invenzione comporta più che identificare modelli nei dati o generare nuove combinazioni di idee esistenti. Richiede una profonda comprensione dei meccanismi causali sottostanti che governano il comportamento del sistema in esame. Questa comprensione consente agli inventori di ragionare sugli effetti di diversi interventi e fare previsioni sugli esiti di scenari diversi.

I sistemi di intelligenza artificiale, d’altra parte, sono progettati per identificare modelli nei dati e fare previsioni basate su quei modelli. Sebbene possano essere molto efficaci in compiti come il riconoscimento delle immagini o l’elaborazione del linguaggio naturale, mancano della capacità di ragionare sulla causalità nello stesso modo in cui fanno gli esseri umani.

Pearl sostiene che questo limite è fondamentale e non può essere superato semplicemente costruendo sistemi di intelligenza artificiale più grandi e complessi. Invece, suggerisce che la chiave per creare vere macchine intelligenti risiede nello sviluppo di nuovi algoritmi e approcci che consentano ai sistemi di intelligenza artificiale di ragionare sulla causalità in modo più sofisticato.

Un approccio che Pearl propone è l’uso di modelli causali, che ci consentono di rappresentare le relazioni causali tra diverse variabili in un sistema. Utilizzando modelli causali, i sistemi di intelligenza artificiale potrebbero ragionare sugli effetti di diversi interventi e fare previsioni sugli esiti di scenari diversi.

Tuttavia, anche con l’uso di modelli causali, Pearl riconosce che ci sono ancora sfide significative da superare nello sviluppo di sistemi di intelligenza artificiale in grado di inventare veramente. In particolare, osserva che il processo di invenzione spesso comporta una notevole creatività e intuizione, che sono difficili da catturare in un quadro matematico formale.

Nonostante queste critiche, “The Book of Why” ha avuto un impatto significativo su vari campi, tra cui l’intelligenza artificiale, l’economia e le scienze sociali. La sua enfasi sulla causalità e sull’inferenza causale ha contribuito a spostare l’attenzione dalla correlazione verso una comprensione più sfumata delle relazioni causa-effetto.

Perché c’è così tanta energia per insegnare alle macchine a pensare, od a essere etiche ma non agli umani ? Pearl è ottimista riguardo alla possibilità di costruire macchine pensanti in grado di distinguere il bene dal male meglio degli esseri umani e di aiutarci a comprendere meglio il nostro libero arbitrio.

“The Book of Why” è un libro rivoluzionario che fornisce un nuovo framework per comprendere la causalità e l’inferenza causale. I suoi concetti hanno implicazioni di vasta portata per vari campi, e la sua enfasi sulla causalità ha contribuito a spostare l’attenzione dalla correlazione verso una comprensione più sfumata delle relazioni causa-effetto. Sebbene il libro sia stato criticato per la sua complessità e la sua dipendenza dai modelli grafici, il suo approccio innovativo ha contribuito ad avanzare la nostra comprensione della causalità e del suo ruolo nel processo decisionale.

Precedente

Analisi del Memo Strategico di Mistral.ai

Successivo

Perplexity e SoundHound AI

  1. TIZIANO TESI

    Pearl ha ragione in modo profondissimo. Sono un consulente di organizzazione aziendale 82enne che ancora opera in aziende e da quando 45 anni fa ho iniziato a fare consulenza non ho detto COME fare ma ho chiesto alle persone PERCHE’ , come Socrate in modo che le soluzioni le trovassero loro. In inglese al Why? si risponde con because (a cauasa di) e quindi la soluzione giusta e trovare le cause giuste. Siccome TUTTO è un PROCESSO (Fisici, gestionali, etc.) con la sua rete di interconnessioni “causali”, come il nostro cervello” la CONOSCENZA e conoscere l’intreccio delle cause: Interpretare i DATI significa sapere le cause che li hanno generati . AI è tutto questo.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

CC BY-NC-SA 4.0 DEED | Disclaimer Contenuti | Informativa Privacy | Informativa sui Cookie