Nous algorismes de machine learning prometen distingir ‘causa’ de ‘efecte’ a partir de dades
Distingir entre causa i efecte és una tasca que ha ocupat científics i filòsofs durant mil·lennis i que té moltes implicacions socials, econòmiques i mediambientals. No és un problema resolt, en absolut. L'ésser humà ha aprés les relacions causa-efecte mitjançant l'experimentació, la intervenció i l'observació del món que ens envolta. Resulta obvi que “si plou, la gent obri el paraigua”. No és sol una correlació o associació entre esdeveniments, és una mica més: és una relació causal.
Hi ha camps, com ocorre en les Ciències de la Terra i el Clima, on no es pot intervindre en el sistema per a establir conclusions causals, ja siga per qüestions pràctiques, ètiques o per ambdues: per exemple, no es planteja contaminar més el Planeta per a conéixer el grau en què les emissions de CO2 causen un augment de la temperatura.
Hom pot, no obstant això, deduir aqueixes relacions causals emprant-ne únicament observacions o mesures? La resposta és afirmativa i així ho publica la revista Nature Communications en un article signat per 21 científics de 6 països –Alemanya, Holanda, Espanya, Dinamarca, Suïssa i els EUA–, la participació espanyola dels quals procedeix de la Universitat de València. Els físics Gustau Camps Valls i Jordi Muñoz Marí són professors del Departament d’Enginyeria Electrònica i investigadors de l’Image Processing Laboratory (http://isp.uv.es), en el Parc Científic de la institució acadèmica.
“Hui dia comptem amb mètodes matemàtics per a inferir relacions causals a partir de dades i observacions que prometen revolucionar la ciència i impactar en un bon nombre d'aplicacions socials, econòmiques, i mediambientals”, comenta el catedràtic Gustau Camps Valls, titular una beca ERC Consolidator Grant. “Les aplicacions són innombrables: comprovar hipòtesis científiques, comprovar la validesa dels models, optimitzar tractaments en clínica mèdica, efectes d'adaptació d'espècies en ecologia; identificar variables que dominen els canvis en el sistema econòmic, les variables que causen la crisi climàtica, etc”, comenta Camps.
L'article, encapçalat per Jakob Runge de l'Agència Espacial Alemanya (DLR), revisa les famílies de mètodes existents i de tècniques d'inferència causal noves potencialment aplicables a la resolució de problemes científics; planteja els seus avantatges i inconvenients, enumera els problemes a resoldre en el futur, exposa exemples pràctics d'aplicació i, a més, presenta una plataforma web on els científics poden validar els seus resultats causals. Sota el nom de CauseMe (http://causeme.uv.es), “la plataforma compta amb exemples de conjunts de dades i desafiaments que contribuiran a avançar en el camp de la inferència causal en el futur”, assenyala Jordi Muñoz. “La idea és establir quins són els mètodes més adequats per a cada tipologia de problema i formalitzar un protocol de validació útil en la pràctica i adaptat a l'usuari, que pot ser un científic, una empresa, una ONG o fins i tot un banc”, afig.
La iniciativa va nàixer fa dos anys dins el marc d'una reunió d'experts en modelatge computacional, intel·ligència artificial, matemàtiques de la complexitat, ecologia, física, geociencia i ciències del clima, orientada a revisitar el problema de la inferència causal a partir de dades, i a millorar la visibilitat d'aquestes tècniques en climatologia, ecologia, geociències i observació de la Terra. Però inferir relacions causals entre variables només a partir de dades i sense cap assumpció prèvia pot revolucionar a més altres camps, com ara l'estadística. “Deixem que les dades parlen i diguen si les hipòtesis de les quals partim són les que s'observen en la realitat. Els mètodes causals que existeixen en l'actualitat són capaços d'identificar, sota alguns supòsits, si una variable és causa o és efecte, i tot això a partir de mesures, d'observacions. És un camp excitant i ja comptem amb algorismes operacionals per a això”, conclou Gustau Camps-Valls.
