Nossa equipe de pesquisa no Refinitiv Labs vem tentando aplicar inferência causal para solucionar problemas de machine learning. Veja, neste post, como um modelo de causalidade pode ser utilizado em casos de gerenciamento de dados que testam causas e identificam caminhos para obter, entre outras coisas, melhor desempenho no setor financeiro.
- A chamada IA Limitada (Narrow AI) –inteligência artificial que se concentra em uma tarefa única ou limitada— tem dificuldade para diferenciar ações ou estados que aparentam proximidade (correlação) de ações que realmente afetarão umas às outras (causalidade).
- Para enfrentar esse desafio, o Refinitiv Labs se uniu ao MIT-IBM Watson AI Lab para testar a aplicação de inferência causal como forma de resolver problemas de machine learning.
- A utilização de inferência causal não apenas criará modelos e previsões mais robustos, mas também elevará o nível do raciocínio causal e da explicabilidade dos dados da Refinitiv.
A inferência causal pode ser explicada por meio da seguinte analogia: comer caviar torna uma pessoa saudável – ou mesmo rica?
Como seres humanos, entendemos intuitivamente que consumir ovas de peixe não traz saúde nem riqueza. Na, verdade, o contrário disso. Mas, aqueles que podem se dar ao luxo de consumir iguarias, como caviar, costumam consumí-las, e provavelmente também têm acesso a bons cuidados de saúde.
Esses saltos de lógica, no entanto, geralmente estão além dos recursos dos sistemas de Inteligência Artificial Limitada ((Narrow Artificial Inteligence) de hoje em dia.
A IA Limitada pode ser definida como a capacidade de executar tarefas específicas em uma velocidade super-humana em várias categorias –de jogos de xadrez a assistência por voz, tradução de idiomas e classificação de imagens.
Explore nossos projetos mais recentes do Refinitiv Labs e oportunidades de carreira
Atualmente, a IA Limitada tem dificuldade para diferenciar ações ou estados que aparentam proximidade (correlação) de ações que realmente afetarão umas às outras (causalidade).
Seja no tratamento de pacientes ou na previsão de futuros movimentos de ações nas bolsas de valores, não é suficiente apenas identificar ou mesmo prever sintomas. O caminho para resolver problemas de saúde ou antecipar o comportamento de ações no mercado financeiro envolve a compreensão de toda a cadeia, dos estímulos iniciais aos resultados. Precisamos chegar às causas inciais, à raiz.
Por isso, o Refinitiv Labs está ajudando a criar soluções de Inteligência Artificial que podem distinguir entre causalidade e correlação. À medida que o mercado de capitais busca cada vez mais a IA para ajudar na tomada de decisões, os métodos atuais de identificação de co-variantes tornam-se obsoletos.
Assista o vídeo: The economic impact of Coronavirus — What can news data tell us?
Como se dá a inferência causal?
Correlação versus causalidade é um desafio clássico que, uma vez abordado, pode oferecer profundo valor estratégico para processos de tomada de decisões.
O nosso time visa desenvolver uma teoria de aprendizagem transformadora das redes de causa e efeito, utilizando como base reconhecidos trabalhos científicos sobre tarefas de aprendizado complexas e de alta dimensão (incluindo redes de aprendizado).
A causalidade é usada pela comunidade científica ao tentar identificar relações entre diferentes entidades, variáveis e conceitos. Também é um conceito aplicado a dados históricos e quando se testa diferentes cenários.
Em busca de decisões de investimento cada vez melhores
Ao analisar uma quantidade infinita de conjuntos de dados, é inevitável identificar um intervalo de correlações. Você pode achar que os preços históricos dos combustíveis estão fortemente correlacionados a um portfólio de ações de companhias aéreas, por exemplo. E pode também notar que a quantidade de manchas solares está correlacionada ao desempenho de um portfólio de títulos municipais.
O primeiro é um exemplo de inferência causal, pois o desempenho da companhia aérea está diretamente ligado aos preços dos combustíveis. Você pode esperar que essa relação seja mantida no futuro, inclusive usando essas informações para apoiar suas decisões de investimento.
O segundo exemplo é um caso de correlação espúria. Nesse caso, os dois fatores não têm relação alguma, e você não deve tomar decisões de investimento em títulos municipais com base na quantidade de manchas solares que foram registradas.
Inferência causal em serviços financeiros
Estamos construindo soluções que aplicam conceitos de inferência causal a importantes problemas de machine learning.
Existem três elementos principais envolvidos no projeto:
- Chegar a gráficos causais a partir de dados existentes
- Criar novas experiências para aprender o gráfico
- Aplicações da descoberta de gráficos causais em serviços financeiros
Isso não apenas criará modelos e previsões mais robustos, mas também elevará o nível do raciocínio causal e da explicabilidade dos dados da Refinitiv.
Colaboração com o MIT-IBM Watson AI Lab
Fundado em setembro de 2017, o MIT-IBM Watson AI Lab é uma colaboração acadêmico-industrial focada no desenvolvimento de ferramentas e tecnologias de Inteligência Artificial para amplo impacto científico e social. Outros membros incluem Samsung, Nexplore, Woodside, Boston Scientific e Wells Fargo.
Os dados estão transformando as finanças globais e, à medida que as técnicas de IA evoluem, o potencial disruptivo dos dados alcançará uma nova e empolgante fase. O MIT-IBM Watson AI Lab está na vanguarda de pesquisas fudamentais nesse campo.
A Refinitiv vem trabalhando em conjunto com os pesquisadores do MIT-IBM Watson Lab para criar soluções de IA que podem diferenciar causalidade de correlação.
As áreas de pesquisa incluem explicabilidade, compreensão das relações em dados de gráficos por meio de IA aplicada e uso da IA para extrair mais informações de dados não rotulados.
