Apa itu Causal AI? Memahami Sebab dan Akibat

Pernahkah Anda mendengar bahwa, menurut data yang dikumpulkan di AS, konsumsi es krim terkait dengan serangan hiu?

Sekonyol apa pun kedengarannya, jenis korelasi ini terjadi ketika dua variabel tampak saling berhubungan tetapi sebenarnya keduanya dipengaruhi oleh variabel ketiga. Dalam kasus ini, suhu adalah faktor yang paling mungkin. Saat musim panas, konsumsi es krim meningkat karena cuaca panas. Pada saat yang sama, serangan hiu juga meningkat karena lebih banyak orang berenang di laut.

Meskipun pola ini menunjukkan korelasi dalam data, hal itu tidak menyiratkan bahwa yang satu menyebabkan yang lain. Di sinilah Causal AI berperan. Causal AI membantu mengidentifikasi hubungan sebab-akibat yang sesungguhnya dalam data, sehingga kita terhindar dari korelasi palsu.

Dalam artikel ini, kita akan mengeksplorasi konsep Causal AI, pentingnya, dan cara menerapkannya dalam praktik.

Apa itu Causal AI?

Causal AI adalah cabang Kecerdasan Buatan (AI) yang berfokus pada memahami dan memodelkan hubungan sebab-akibat, bukan sekadar mengidentifikasi pola atau korelasi sebagaimana dilakukan sistem Machine Learning tradisional.

Causal AI membantu meningkatkan keandalan, keterjelasan, dan ketangguhan sistem AI, terutama dalam skenario dunia nyata seperti layanan kesehatan dan ekonomi, yang secara alamiah lebih kompleks.

Pada titik ini, Anda mungkin bertanya pada diri sendiri:

Mengapa metode AI tradisional tidak mempertimbangkan kausalitas?

Causal AI vs AI tradisional: Perbedaan utama

Sistem AI tradisional berfokus pada identifikasi pola, korelasi, dan membuat prediksi berdasarkan data. Untuk melakukannya, mereka mengandalkan teknik statistik dan Machine Learning (ML) untuk menemukan keterkaitan dalam data. 

Memang, selama pelatihan, sistem ini dirancang untuk mengoptimalkan akurasi prediksi dengan menggunakan dataset berukuran besar. Dataset tersebut memuat korelasi dan algoritme akan menangkap korelasi itu, tetapi informasi kausal yang eksplisit mungkin tidak ada. 

Selain itu, sistem AI tradisional kerap dikritik karena keterjelasannya yang terbatas dan sering disebut sebagai “kotak hitam”. Dalam konteks ini, Causal AI membantu membangun model yang lebih transparan dan dapat ditafsirkan dengan bernalar secara eksplisit tentang sebab dan akibat.

Terakhir, meskipun metode AI non-kausal memiliki banyak aplikasi, pokok utama dari bagian ini adalah:  Korelasi tidak menyiratkan kausalitas.

• Korelasi terjadi ketika dua variabel bergerak bersama, tetapi ini tidak membuktikan bahwa yang satu menyebabkan yang lain.
• Kausalitas berarti satu variabel secara langsung memengaruhi variabel lainnya.

Kembali ke contoh konsumsi es krim versus serangan hiu dari pengantar, kita dapat melihat bahwa penjualan es krim dan insiden serangan hiu berkorelasi (keduanya meningkat di musim panas), tetapi es krim tidak menyebabkan serangan hiu.

Dasar-dasar Causal AI

Seperti yang telah kita lihat, inti dari Causal AI adalah tujuan untuk menetapkan hubungan sebab-akibat antarvariabel. Namun, ada juga dua konsep fundamental yang penting untuk memahami dan memanipulasi hubungan tersebut dalam suatu sistem:

Penalaran kontrafaktual

Penalaran kontrafaktual melibatkan pertimbangan skenario hipotetis untuk memahami bagaimana perubahan pada variabel tertentu dapat mengubah hasil. 

Saya suka melihat Penalaran Kontrafaktual sebagai mengajukan pertanyaan seperti: “Apa yang akan terjadi jika variabel X memiliki nilai yang berbeda?” Itu adalah pertanyaan “Bagaimana Jika”.

Dalam contoh konsumsi es krim versus serangan hiu, kita bisa bertanya pada diri sendiri:“Bagaimana jika penjualan es krim lebih rendah? Apakah akan ada lebih sedikit serangan hiu?”

Dalam skenario kontrafaktual ini, kita membayangkan versi realitas alternatif di mana penjualan es krim menurun sementara hal lain tetap sama. Karena penjualan es krim dan serangan hiu sama-sama meningkat di musim panas akibat cuaca yang lebih hangat (penyebab umum), menurunkan penjualan es krim tidak akan memengaruhi serangan hiu. Ini menunjukkan adanya korelasi, bukan kausalitas.

Intervensi

Intervensi mengacu pada manipulasi variabel secara sengaja dalam suatu sistem untuk mengamati perubahan pada variabel lain. Dalam hal ini, intervensi melibatkan pengubahan aktif suatu variabel ke nilai tertentu, sehingga kita dapat mempelajari efek langsungnya pada sistem.

Dalam contoh kita, sebuah intervensi bisa berupa: 

“Mari larang penjualan es krim pada hari-hari panas (menetapkan penjualan es krim ke 0). Apakah ini akan mengurangi serangan hiu?”

Di sini, kita dengan sengaja mengubah sistem dengan meniadakan penjualan es krim. Hasil yang paling mungkin adalah tidak ada perubahan pada serangan hiu karena melarang es krim tidak menghentikan orang untuk berenang. Contoh sederhana ini menggambarkan bahwa intervensi pada penjualan es krim tidak memiliki efek kausal terhadap serangan hiu.

Sebelum melanjutkan, jika Anda tertarik pada aspek-aspek dasar AI, jalur keterampilan AI Fundamentals cocok untuk Anda! 

Model Causal AI

Di bagian ini, kita akan mengeksplorasi tiga model AI kausal yang akan membantu kita memahami cara bekerja dengan kausalitas.

Mari mulai dari model yang paling sederhana dan berlanjut ke yang lebih kompleks.

Directed Acyclic Graphs

Directed Acyclic Graphs (DAG) mengenkode hubungan terarah antarvariabel tanpa siklus, artinya tidak ada loop di mana suatu variabel dapat secara tidak langsung menyebabkan dirinya sendiri. DAG digunakan untuk menggambarkan relasi kausal secara biner: Entah ada hubungan sebab-akibat antara dua variabel—maka ada sisi berarah dari sebab ke akibat dalam grafik—atau tidak ada, sehingga tidak ada sisi.

Sebagai contoh, DAG dari contoh awal kita tentang konsumsi es krim dan serangan hiu menunjukkan jalur kausal berikut:

DAG ini memberi tahu kita bahwa suhu adalah penyebab umum baik untuk konsumsi es krim maupun serangan hiu. Selain itu, DAG menunjukkan bahwa tidak ada kausalitas antara konsumsi es krim dan serangan hiu.

DAG merupakan representasi yang sederhana, namun dapat menjadi lebih kompleks dengan menambahkan lebih banyak informasi pada jalur, seperti yang akan kita lihat di bagian berikutnya.

Structural Causal Models

Structural Causal Models (SCM) mencakup persamaan yang memodelkan bagaimana variabel dipengaruhi oleh variabel lain. Untuk berpindah dari DAG ke SCM, kita perlu menentukan sistem persamaan struktural yang secara kuantitatif menjelaskan bagaimana setiap variabel dihasilkan.

Secara konkret, persamaan struktural dalam konteks ini adalah persamaan matematika yang menyatakan satu variabel (keluaran) sebagai fungsi dari satu atau lebih variabel lain (penyebab) ditambah suku gangguan yang merepresentasikan semua pengaruh lain pada keluaran tersebut. Dalam contoh kita:

Karena suhu (t) adalah variabel eksogen, artinya tidak disebabkan oleh dua variabel lainnya, kita mengasumsikan suhu ditentukan oleh faktor eksternal.

Dalam persamaan di atas, baik konsumsi es krim maupun serangan hiu mengikuti model linear terhadap suhu, yang menunjukkan bagaimana perubahan suhu merambat ke kedua keluaran.

Kita bahkan bisa melangkah satu tingkat lebih jauh dan menambahkan probabilitas ke dalam permainan!

Bayesian Networks

Bayesian Networks (BN) dapat dipandang sebagai perwujudan khusus dari SCM di mana persamaan struktural dinyatakan secara probabilistik.

BN menggunakan struktur sebab-akibat yang sama, tetapi alih-alih menuliskan rumus pasti (seperti model linear), BN menggambarkan probabilitas atau peluang dari berbagai hasil. Dengan kata lain, alih-alih memiliki persamaan, kita mengekspresikan probabilitas Y terjadi dengan syarat X memiliki nilai tertentu: P(Y | X). Probabilitas bersyarat ini menggantikan persamaan tetap dalam SCM dengan deskripsi ketidakpastian.

Inferensi Kausal

Dalam konteks Causal AI, Inferensi Kausal mengacu pada teknik untuk menyingkap hubungan sebab-akibat dari data. Dalam hal ini, alih-alih berfokus pada model untuk memahami hubungan, kita sudah mulai dengan sekumpulan data dan menerapkan berbagai metode untuk membedakan hubungan tersebut. Kita akan meninjaunya dengan menerapkan tiap metode pada contoh awal kita:

Uji Terkontrol Acak

Randomized Controlled Trials (RCT) membantu menentukan hubungan kausal dengan menugaskan peserta secara acak ke kelompok yang berbeda dan membandingkan hasilnya.

Sebagai contoh, untuk menjawab pertanyaan kita, “Apakah makan es krim menyebabkan lebih banyak serangan hiu?” kita akan secara acak membagi orang ke dalam dua kelompok:

• Kelompok A: Makan es krim.
• Kelompok B: Tidak makan es krim.

Kemudian, kita akan membandingkan tingkat serangan hiu antara kedua kelompok. Idealnya, kita tidak akan menemukan perbedaan signifikan dalam tingkat serangan hiu karena konsumsi es krim tidak menyebabkan serangan hiu. Penyebab sebenarnya dalam hal ini kemungkinan adalah suhu, yang tidak dimanipulasi dalam percobaan.

Secara lebih formal, kita akan mengatakan bahwa pengacakan mengisolasi efek konsumsi es krim, dan karena tidak ditemukan tautan kausal, ini menunjukkan bahwa makan es krim tidak secara langsung menyebabkan serangan hiu.

Propensity Score Matching

Dalam skenario di mana pengacakan tidak memungkinkan, kita dapat mengandalkan data observasional dan menerapkan Propensity Score Matching (PSM).

Faktanya, dalam situasi dunia nyata, kita tidak dapat menerapkan RCT dan mengacak konsumsi es krim karena orang sendiri yang memutuskan apakah akan memakannya atau tidak. Namun, kita dapat menggunakan data observasional untuk menyimpulkan hubungan kausal dengan mengikuti langkah-langkah PSM:

1. Hitung propensity score: Ini adalah kemungkinan seseorang makan es krim berdasarkan faktor seperti suhu, usia, dan variabel relevan lainnya.
2. Pasangkan pemakan es krim dengan yang tidak makan yang memiliki propensity score serupa, artinya mereka sebanding.
3. Nilai tingkat serangan hiu untuk kedua kelompok (pemakan es krim dan bukan pemakan).

Idealnya, tingkat serangan hiu harus serupa untuk kedua kelompok, yang akan menunjukkan bahwa konsumsi es krim bukan penyebab serangan hiu. Perbedaan yang diamati kemungkinan besar disebabkan oleh faktor lain, seperti suhu.

Variabel instrumental

Misalkan kita menduga bahwa suhu adalah variabel tersembunyi (confounder) yang memengaruhi konsumsi es krim dan serangan hiu. Teknik Instrumental Variables (IV) membantu menyelesaikan masalah ini dengan menggunakan variabel tambahan (sebuah instrumen)—seperti jadwal truk es krim—yang memengaruhi konsumsi es krim tetapi tidak terkait dengan serangan hiu.

Jika jadwal truk hanya memengaruhi penjualan es krim dan bukan perilaku berenang orang, maka kita dapat menggunakannya sebagai instrumen untuk mengisolasi efek kausal konsumsi es krim terhadap serangan hiu. Saat menerapkan IV, kemungkinan besar kita akan menemukan bahwa setelah memperhitungkan instrumen ini, konsumsi es krim tidak menyebabkan serangan hiu, dan korelasi yang diamati disebabkan oleh confounder tersembunyi: suhu.

Jika Anda penasaran tentang jenis inferensi lainnya, pertimbangkan untuk membaca artikel “What is Machine Learning Inference? An Introduction to Inference Approaches”.

Kerangka Kerja untuk Menerapkan Causal AI

Di bagian ini, kita akan mengeksplorasi dua kerangka kerja berbeda untuk bekerja dengan Causal AI dalam praktik menggunakan Python.

Library Python DoWhy

DoWhy adalah alat yang sangat menarik karena menyediakan kerangka kerja end-to-end untuk penalaran kausal, dengan penekanan pada transparansi dan keterjelasan.

Alat ini sangat komprehensif dan menawarkan beragam algoritme untuk estimasi efek, analisis akar penyebab, intervensi, dan kontrafaktual. DoWhy sangat berguna untuk alur kerja inferensi kausal berbasis grafik. Saya tidak akan membahas terlalu detail tentang alat ini, karena sudah ada tutorial lengkap di DataCamp: Introduction to Causal AI using the DoWhy Library.

Kerangka Pyro PyTorch

Pyro adalah kerangka pemrograman probabilistik yang berfokus pada pemodelan Struktural dan Bayesian. Salah satu manfaat utama Pyro adalah integrasinya yang mulus dengan PyTorch untuk akselerasi GPU dan aplikasi deep learning.

Jika Anda tertarik, Pyro memiliki dokumentasi ekstensif dengan banyak contoh yang tersedia.

Jika Anda ingin segera mulai menggunakan kerangka AI seperti yang dibahas di bagian ini, saya merekomendasikan kursus DataCamp tentang Developing AI Applications.

Implementasi Teknis Causal AI

Sejauh ini, kita telah meninjau dasar-dasar Causal AI, model di baliknya, berbagai pendekatan untuk Inferensi Kausal, dan dua kerangka kerja Python untuk menggunakannya. Namun demikian, kita semua tahu bahwa menyelami disiplin baru bisa jadi menantang. Oleh karena itu, di bagian ini, kita akan meninjau lima langkah kunci untuk menerapkan Causal AI:

1. Pemeriksaan data

Kualitas data yang kita miliki sangat krusial karena inferensi kausal sangat bergantung pada data yang secara akurat merepresentasikan sistem yang dipelajari. Penting untuk diingat bahwa segala jenis kesalahan, nilai hilang, atau bias dapat mendistorsi hubungan kausal.

Inferensi kausal juga memerlukan data yang kaya, seperti memastikan bahwa semua confounder yang relevan teramati dan disertakan dalam data, intervensi terdefinisi dengan baik dan konsisten di seluruh observasi, serta kelompok-kelompok bersifat sebanding saat menerapkan teknik yang memerlukan pembagian ini. 

Sebagai saran terakhir, jika Anda bisa memilih data, data temporal (deret waktu atau longitudinal) sering kali sangat berguna untuk menetapkan kausalitas, karena membantu menentukan urutan kejadian.

2. Pemilihan model

Langkah ini melibatkan pembuatan model konseptual yang merepresentasikan hubungan antarvariabel. Alat seperti DAG atau SCM sering digunakan pada tahap ini untuk memformalkan asumsi tentang kausalitas.

Kita telah melihat bahwa confounder adalah kemungkinan variabel tersembunyi yang dapat memengaruhi variabel teramati. Ada juga dua jenis variabel lainnya:

• Mediator: Variabel yang berada pada jalur kausal.
• Collider: Variabel yang dipengaruhi oleh dua variabel lain.

Menarik untuk mengidentifikasi ketiga jenis variabel ini dan potensi interaksinya selama pemodelan serta secara jelas mendefinisikan arah kausalitas.

3. Identifikasi

Tujuan identifikasi adalah menentukan apakah efek kausal yang diminati dapat diestimasi dari data teramati, mengingat model yang ada. Oleh karena itu, langkah ini melibatkan pemeriksaan apakah efek kausal dapat diidentifikasi menggunakan metode Inferensi Kausal seperti Identifikasi Variabel.

4. Estimasi

Setelah efek kausal teridentifikasi, langkah ini berfokus pada mengkuantifikasi efek kausal menggunakan metode statistik. Ini adalah momen yang tepat untuk menerapkan Propensity Score Matching, misalnya.

5. Refutasi

Fase ini menguji apakah kesimpulan kausal Anda tetap bertahan dengan menantang asumsi dan mengeksplorasi penjelasan alternatif. Metode dalam langkah ini mencakup penalaran kontrafaktual dan intervensi. Sementara kontrafaktual menelaah apakah keluaran akan berubah dalam kondisi berbeda, intervensi menguji ketangguhan hubungan kausal dengan secara aktif mengubah variabel dan mengamati efeknya.

Aplikasi Causal AI

Sekarang setelah kita mengetahui cara kerja causal AI, mari lihat beberapa contoh domain tempat kita dapat menerapkannya.

Contoh bagus dari sistem Causal AI di dunia nyata adalah di domain layanan kesehatan, di mana Causal AI digunakan untuk menentukan efektivitas perawatan dengan mengestimasi, misalnya, dampak kausal dari intervensi medis. Selain itu, hubungan kausal digunakan untuk menyesuaikan perawatan bagi pasien secara individual berdasarkan situasi spesifik mereka.

Pemasaran adalah area lain yang diuntungkan dari Causal AI. Misalnya, Causal AI membantu mengukur dampak nyata dari kampanye pemasaran dengan membedakan antara korelasi dan kausalitas. Causal AI memberikan wawasan yang lebih dalam tentang apa yang mendorong keputusan pelanggan, sehingga memungkinkan strategi pemasaran yang lebih terarah dan efektif. Demikian pula, bidang seperti ekonomi, bisnis, dan manajemen rantai pasok juga bergantung pada pemahaman kausalitas.

Penutup

Dalam artikel ini, kita telah mengeksplorasi bagaimana Causal AI membantu kita melampaui korelasi sederhana dalam data untuk mengungkap hubungan sebab-akibat yang sesungguhnya. Kita telah menelaah bagaimana Directed Acyclic Graphs, Structural Causal Models, dan Bayesian Networks berfungsi sebagai alat pemodelan kausal untuk merepresentasikan dan bernalar tentang sistem yang kompleks. 

Selain itu, kita telah membahas cara menerapkan Causal AI pada data, di mana Randomized Controlled Trials dan Propensity Score Matching membantu dalam estimasi efek kausal. Ketika dicurigai adanya confounding yang tidak terukur, Variabel Instrumental membantu mengidentifikasi pengaruh tersembunyi.

Terakhir, kita telah menguraikan langkah-langkah untuk menerapkan Causal AI dalam praktik, dengan penekanan khusus pada penalaran kontrafaktual dan intervensi sebagai alat utama dalam fase refutasi analisis kausal.

Seiring Causal AI terus berkembang, Causal AI akan memainkan peran yang semakin vital tidak hanya dalam membedakan antara korelasi sederhana dan kausalitas, tetapi juga dalam memanfaatkan kausalitas untuk pengambilan keputusan yang lebih baik.

Jika Anda ingin mempelajari lebih lanjut tentang Causal AI dan bagaimana Causal AI membantu bisnis mengambil keputusan yang lebih baik, lihat episode DataFramed tentang Causal AI dalam bisnis. Anda juga dapat membaca panduan praktis kami tentang Causal AI menggunakan Library DoWhy untuk mendapatkan contoh langsung.