Nuevos algoritmos de machine learning prometen distinguir ‘causa’ de ‘efecto’ a partir de datos
Distinguir entre causa y efecto es una tarea que ha ocupado a científicos y filósofos durante milenios y que tiene muchas implicaciones sociales, económicas y medio-ambientales. No es un problema resuelto, en absoluto. El ser humano ha aprendido las relaciones causa-efecto mediante la experimentación, la intervención y la observación del mundo que nos rodea. Resulta obvio que “si llueve, la gente abre el paraguas”. No es solo una correlación o asociación entre eventos, es algo más: es una relación causal.
Hay campos, como ocurre en las Ciencias de la Tierra y el Clima, donde no se puede intervenir en el sistema para establecer conclusiones causales, ya sea por cuestiones prácticas, éticas o por ambas: por ejemplo, no se plantea contaminar más el Planeta para conocer el grado en que las emisiones de CO2 causan un aumento de la temperatura.
¿Se puede, sin embargo, deducir esas relaciones causales empleando para ello únicamente observaciones o medidas? La respuesta es afirmativa y así lo publica la revista Nature Communications en un artículo firmado por 21 científicos de 6 países –Alemania, Holanda, España, Dinamarca, Suiza y EEUU–, cuya participación española procede de la Universitat de València. Los físicos Gustau Camps Valls y Jordi Muñoz Marí son profesores del Departament d’Enginyeria Electrònica e investigadores del Image Processing Laboratory (http://isp.uv.es), en el Parc Científic de la institución académica.
“Hoy en día contamos con métodos matemáticos para inferir relaciones causales a partir de datos y observaciones que prometen revolucionar la ciencia e impactar en un buen número de aplicaciones sociales, económicas, y medio-ambientales”, comenta el catedrático Gustau Camps Valls, titular una beca ERC Consolidator Grant. “Las aplicaciones son innumerables: comprobar hipótesis científicas, comprobar la validez de los modelos, optimizar tratamientos en clínica médica, efectos de adaptación de especies en ecología; identificar variables que dominan los cambios en el sistema económico, las variables que causan la crisis climática, etc”, comenta Camps.
El artículo, encabezado por Jakob Runge de la Agencia Espacial Alemana (DLR), revisa las familias de métodos existentes y de técnicas de inferencia causal novedosas potencialmente aplicables a la resolución de problemas científicos; plantea sus ventajas e inconvenientes, enumera los problemas a resolver en el futuro, expone ejemplos prácticos de aplicación y, además, presenta una plataforma web donde los científicos pueden validar sus resultados causales. Bajo el nombre de CauseMe (http://causeme.uv.es), “la plataforma cuenta con ejemplos de conjuntos de datos y desafíos que contribuirán a avanzar en el campo de la inferencia causal en el futuro”, señala Jordi Muñoz. “La idea es establecer qué métodos son los más adecuados para cada tipología de problema y formalizar un protocolo de validación útil en la práctica y adaptado al usuario, que puede ser un científico, una empresa, una ONG o incluso un banco”, añade.
La iniciativa nació hace dos años en el marco de una reunión de expertos en modelado computacional, inteligencia artificial, matemáticas de la complejidad, ecología, física, geociencia y ciencias del clima, orientada a revisitar el problema de la inferencia causal a partir de datos y a mejorar la visibilidad de estas técnicas en climatología, ecología, geociencias y observación de la Tierra. Pero inferir relaciones causales entre variables solo a partir de datos y sin ninguna asunción previa, puede revolucionar además otros campos, como la estadística. “Dejemos que los datos hablen y digan si las hipótesis de las que partimos son las que se observan en la realidad. Los métodos causales que existen en la actualidad son capaces de identificar, bajo algunos supuestos, si una variable es causa o es efecto, y todo ello a partir de medidas, de observaciones. Es un campo excitante y ya contamos con algoritmos operacionales para ello”, concluye Gustau Camps-Valls.