Nedensel Yapay Zekâ (Causal AI) nedir? Nedenler ve Sonuçları Anlamak

ABD’de toplanan verilere göre dondurma tüketiminin köpekbalığı saldırılarıyla bağlantılı olduğunu hiç duydunuz mu?

Kulağa ne kadar çılgınca gelse de, bu tür bir korelasyon, iki değişken ilişkili görünürken aslında her ikisinin de üçüncü bir değişkenden etkilendiği durumlarda ortaya çıkar. Bu durumda muhtemel etken sıcaklıktır. Yaz aylarında, sıcaktan dolayı dondurma tüketimi artar. Aynı zamanda, daha çok insan denizde yüzdüğü için köpekbalığı saldırıları da artar.

Bu örüntü veride bir korelasyon gösterse de, birinin diğerine neden olduğu anlamına gelmez. İşte bu noktada Nedensel Yapay Zekâ (Causal AI) devreye girer. Verideki gerçek neden-sonuç ilişkilerini belirlemeye yardımcı olarak sahte korelasyonlardan kaçınmamızı sağlar.

Bu yazıda, Nedensel Yapay Zekâ kavramını, önemini ve pratikte nasıl uygulanacağını inceleyeceğiz.

Nedensel Yapay Zekâ (Causal AI) nedir?

Nedensel Yapay Zekâ, Yapay Zekânın (YZ) bir dalıdır ve diğer geleneksel Makine Öğrenimi sistemlerinin yaptığı gibi yalnızca örüntüleri veya korelasyonları belirlemek yerine neden-sonuç ilişkilerini anlamaya ve modellemeye odaklanır.

Nedensel YZ, özellikle doğası gereği daha karmaşık olan sağlık ve ekonomi gibi gerçek dünya senaryolarında YZ sistemlerinin güvenilirliğini, açıklanabilirliğini ve sağlamlığını artırmaya yardımcı olur.

Bu noktada kendinize şunu soruyor olabilirsiniz:

Geleneksel YZ yöntemleri neden nedenselliği dikkate almıyor?

Nedensel YZ ve geleneksel YZ: Temel farklar

Geleneksel YZ sistemleri, veriye dayanarak örüntüleri, korelasyonları belirlemeye ve tahminler yapmaya odaklanır. Bunu yapmak için verideki ilişkilendirmeleri bulmak üzere istatistiksel ve Makine Öğrenimi (ML) tekniklerine dayanırlar. 

Gerçekten de eğitim sırasında, geniş veri kümeleri kullanarak tahmin doğruluğunu eniyileyecek şekilde tasarlanırlar. Bu veri kümeleri korelasyonlar içerir ve algoritmalar bu korelasyonları fark eder; ancak açık nedensel bilgi mevcut olmayabilir. 

Ayrıca, geleneksel YZ sistemleri sınırlı açıklanabilirlikleri nedeniyle sıklıkla “kara kutu” olarak eleştirilir. Bu bağlamda, Nedensel YZ, nedenler ve sonuçlar hakkında açıkça akıl yürüterek daha şeffaf ve yorumlanabilir modeller kurmaya yardımcı olur.

Son olarak, geleneksel (nedensel olmayan) YZ yöntemlerinin pek çok uygulaması olsa da, bu bölümün ana mesajı şudur:  Korelasyon nedensellik anlamına gelmez.

• Korelasyon, iki değişken birlikte hareket ettiğinde ortaya çıkar; ancak bu, birinin diğerine neden olduğunu kanıtlamaz.
• Nedensellik, bir değişkenin diğerini doğrudan etkilediği anlamına gelir.

Girişteki dondurma ile köpekbalığı saldırıları örneğine dönersek, dondurma satışları ile köpekbalığı saldırı vakalarının korelasyonlu olduğunu (her ikisi de yazın artar) görebiliriz; ancak dondurma, köpekbalığı saldırılarına neden olmaz.

Nedensel YZ’nin Temelleri

Gördüğümüz gibi, Nedensel YZ’nin özünde değişkenler arasındaki neden-sonuç ilişkilerini kurma hedefi vardır. Ancak, bir sistem içinde bu ilişkileri anlamak ve yönetmek için gerekli iki temel kavram daha vardır:

Karşı-olgusal (Counterfactual) akıl yürütme

Karşı-olgusal akıl yürütme, bazı değişkenlerde yapılacak değişikliklerin sonuçları nasıl değiştirebileceğini anlamak için varsayımsal senaryoları ele almayı içerir. 

Karşı-olgusal akıl yürütmeyi, şu tür sorular sormak olarak görmeyi seviyorum: “X değişkeni farklı bir değer alsaydı ne olurdu?” Bu bir “Ya şöyle olsaydı” sorusudur.

Dondurma ile köpekbalığı saldırıları örneğimizde kendimize şunu sorabiliriz: “Dondurma satışları daha düşük olsaydı ne olurdu? Köpekbalığı saldırıları daha az olur muydu?”

Bu karşı-olgusal senaryoda, her şey aynı kalırken dondurma satışlarının azaldığı alternatif bir gerçeklik hayal ediyoruz. Hem dondurma satışları hem de köpekbalığı saldırıları, daha sıcak havalardan (ortak neden) dolayı yazın arttığı için, dondurma satışlarını azaltmak köpekbalığı saldırılarını etkilemeyecektir. Bu durum, korelasyonun nedensellik olmadığını gösterir.

Girişimler (Interventions)

Girişimler, bir sistem içindeki değişkenlerin kasıtlı olarak değiştirilip diğer değişkenlerdeki değişimlerin gözlemlenmesini ifade eder. Bu durumda girişimler, bir değişkenin belirli bir değere aktif olarak ayarlanmasını içerir ve böylece sistem üzerindeki doğrudan etkilerini inceleyebiliriz.

Örneğimizde bir girişim şu olabilir: 

“Sıcak günlerde dondurma satışlarını yasaklayalım (dondurma satışlarını 0’a ayarlayalım). Bu, köpekbalığı saldırılarını azaltır mı?”

Burada, dondurma satışlarını ortadan kaldırarak sistemi kasten değiştiriyoruz. En olası sonuç, insanların yüzmesini engellemediği için köpekbalığı saldırılarında bir değişiklik olmamasıdır. Bu basit örnek, dondurma satışlarına müdahale etmenin köpekbalığı saldırıları üzerinde nedensel bir etkisi olmadığını gösterir.

Devam etmeden önce, YZ’nin daha temel yönleriyle ilgileniyorsanız, AI Fundamentals tam size göre! 

Nedensel YZ modelleri

Bu bölümde, nedensellikle nasıl çalışacağımızı anlamamıza yardımcı olacak üç nedensel YZ modelini inceleyeceğiz.

En basit modelle başlayıp daha karmaşık modellere doğru ilerleyelim.

Yönlü Çevrimsiz Grafikler

Yönlü Çevrimsiz Grafikler (DAG’ler) değişkenler arasındaki yönlü ilişkileri döngü olmadan kodlar; yani bir değişkenin dolaylı olarak kendisine neden olduğu döngüler yoktur. İki değişken arasında ya bir neden-sonuç ilişkisi vardır ve grafikte nedenden sonuca doğru yönlü bir kenar bulunur ya da yoktur ve bu durumda da bir kenar bulunmaz; bu ilişkiler ikili şekilde gösterilir.

Örneğin, dondurma tüketimi ve köpekbalığı saldırılarına ilişkin ilk örneğimizin DAG’i şu nedensel yolları gösterir:

Bu DAG bize, sıcaklığın hem dondurma tüketimi hem de köpekbalığı saldırıları için ortak bir neden olduğunu söyler. Ayrıca, dondurma tüketimi ile köpekbalığı saldırıları arasında nedensellik olmadığını gösterir.

DAG’ler basit gösterimlerdir; ancak aşağıdaki bölümlerde göreceğimiz gibi yollara daha fazla bilgi ekleyerek daha karmaşık hale getirilebilirler.

Yapısal Nedensel Modeller

Yapısal Nedensel Modeller (SCM’ler), değişkenlerin başkaları tarafından nasıl etkilendiğini modelleyen denklemleri içerir. Bir DAG’den bir SCM’ye geçmek için her bir değişkenin nasıl üretildiğini nicel olarak tanımlayan bir yapısal denklemler sistemi belirtmemiz gerekir.

Somut olarak, bu bağlamda bir yapısal denklem, bir değişkeni (sonuç) bir veya daha fazla başka değişkenin (nedenlerin) bir fonksiyonu ve o sonuca etki eden diğer tüm etkileri temsil eden bir bozucu terim olarak ifade eden matematiksel bir denklemdir. Örneğimizde:

Sıcaklık (t), diğer ikisi tarafından nedenlenmeyen dışsal bir değişken olduğundan, dış faktörlerce belirlendiğini varsayıyoruz.

Yukarıdaki denklemlerde hem dondurma tüketimi hem de köpekbalığı saldırıları sıcaklık üzerinde doğrusal bir modeli izler ve sıcaklıktaki bir değişimin her iki sonuca nasıl yayıldığını gösterir.

Bir adım daha ileri gidip işe olasılıkları da katabiliriz!

Bayesçi Ağlar

Bayesçi Ağlar (BN’ler), yapısal denklemlerin olasılıksal olarak ifade edildiği SCM’lerin belirli bir somutlaşmış hâli olarak görülebilir.

Bir BN, aynı neden-sonuç yapısını kullanır; ancak tam formüller (örneğin doğrusal bir model) yazmak yerine farklı sonuçların olasılıklarını tanımlar. Başka bir deyişle, bir denklem kullanmak yerine, X belirli bir değere sahipken Y’nin gerçekleşme olasılığını ifade ederiz: P(Y | X). Bu koşullu olasılık, bir SCM’deki sabit bir denklemin yerine belirsizliğin bir tanımını koyar.

Nedensel Çıkarım

Nedensel YZ bağlamında, Nedensel Çıkarım, veriden neden-sonuç ilişkilerini ortaya çıkarmaya yönelik teknikleri ifade eder. Bu durumda, ilişkileri anlamak için modellere odaklanmak yerine, halihazırda bir veri kümesiyle başlayıp bu ilişkileri ayırt etmek için farklı yöntemler uygularız. Her yöntemi özgün örneğimize uygulayarak gözden geçireceğiz:

Rastgele Kontrollü Denemeler

Rastgele Kontrollü Denemeler (RCT’ler), katılımcıları rastgele farklı gruplara atayıp sonuçları karşılaştırarak nedensel ilişkileri belirlemeye yardımcı olur.

Örneğin şu soruyu yanıtlarken, “Dondurma yemek daha fazla köpekbalığı saldırısına neden olur mu?” insanları rastgele iki gruba atardık:

• Grup A: Dondurma yer.
• Grup B: Dondurma yemez.

Daha sonra gruplar arasında köpekbalığı saldırı oranlarını karşılaştırırdık. İdeal olarak, dondurma tüketimi köpekbalığı saldırılarına neden olmadığı için saldırı oranlarında anlamlı bir fark bulmamalıyız. Bu durumda gerçek neden muhtemelen deneyde değiştirmediğimiz sıcaklıktır.

Daha resmi bir ifadeyle, rastgeleleştirmenin dondurma tüketiminin etkisini izole ettiğini söyleriz ve nedensel bir bağ bulunmadığı için dondurma yemenin doğrudan köpekbalığı saldırılarına neden olmadığını öne sürer.

Eğilim Skoru Eşleştirme

Rastgeleleştirmenin mümkün olmadığı senaryolarda, gözlemsel verilere dayanarak Eğilim Skoru Eşleştirme (PSM) uygulayabiliriz.

Gerçekte, insanlar dondurma yiyip yememeye kendileri karar verdiği için RCT’leri uygulayıp dondurma tüketimini rastgeleleştiremeyiz. Ancak, PSM adımlarını izleyerek nedensel ilişkileri çıkarmak için gözlemsel verileri kullanabiliriz:

1. Eğilim skorunu hesaplayın: Birinin sıcaklık, yaş ve diğer ilgili değişkenlere göre dondurma yeme olasılığıdır.
2. Dondurma yiyenleri yemeyenlerle eşleştirin; benzer eğilim skorlarına sahip olmaları, karşılaştırılabilir oldukları anlamına gelir.
3. Köpekbalığı saldırı oranlarını değerlendirin; her iki grup (dondurma yiyenler ve yemeyenler) için.

İdeal olarak, köpekbalığı saldırı oranları her iki grup için de benzer olmalıdır; bu da dondurma tüketiminin köpekbalığı saldırılarının nedeni olmadığını düşündürür. Gözlenen herhangi bir fark muhtemelen sıcaklık gibi diğer faktörlerden kaynaklanacaktır.

Araç değişkenler

Diyelim ki sıcaklığın, hem dondurma tüketimini hem de köpekbalığı saldırılarını etkileyen gizli bir değişken (çeldirici) olduğundan şüpheleniyoruz. Araç Değişkenler (IV) tekniği, dondurma kamyonunun programı gibi, dondurma tüketimini etkileyen ancak köpekbalığı saldırılarıyla ilgisiz ek bir değişkeni (bir araç) kullanarak bu sorunu çözmeye yardımcı olur.

Eğer kamyonun programı yalnızca dondurma satışlarını etkiliyor ve insanların yüzme davranışını etkilemiyorsa, dondurma tüketiminin köpekbalığı saldırıları üzerindeki nedensel etkisini izole etmek için bunu araç olarak kullanabiliriz. IV uygulandığında, bu araç hesaba katıldıktan sonra dondurma tüketiminin köpekbalığı saldırılarına neden olmadığını ve gözlenen korelasyonun gizli çeldirici olan sıcaklıktan kaynaklandığını muhtemelen buluruz.

Diğer çıkarım türlerini merak ediyorsanız, “Makine Öğrenimi Çıkarımı nedir? Çıkarım Yaklaşımlarına Giriş” başlıklı makaleye göz atmayı düşünün.

Nedensel YZ’yi Uygulamak için Çerçeveler

Bu bölümde, Python kullanarak pratikte Nedensel YZ ile çalışmak için iki farklı çerçeveyi inceleyeceğiz.

DoWhy Python kütüphanesi

DoWhy, nedensel akıl yürütme için uçtan uca bir çerçeve sunduğu, şeffaflık ve yorumlanabilirliği vurguladığı için oldukça ilginç bir araçtır.

Oldukça kapsamlıdır ve etki tahmini, kök neden analizi, girişimler ve karşı-olgusallar için çok çeşitli algoritmalar sunar. Özellikle grafik tabanlı nedensel çıkarım iş akışları için kullanışlıdır. Bu araç hakkında çok fazla ayrıntıya girmeyeceğim; çünkü DataCamp’te zaten kapsamlı bir eğitim mevcut: DoWhy Kütüphanesini Kullanarak Nedensel YZ’ye Giriş.

Pyro PyTorch çerçevesi

Pyro, çekirdek odağı Yapısal ve Bayesçi modelleme olan bir olasılıksal programlama çerçevesidir. Pyro’nun temel faydalarından biri, GPU hızlandırma ve derin öğrenme uygulamaları için PyTorch ile sorunsuz bütünleşmesidir.

İlgileniyorsanız Pyro’nun pek çok örnek içeren kapsamlı dokümantasyonu mevcuttur.

Bu bölümde ele aldığımız çerçeveler gibi YZ çerçevelerini kullanmaya hevesliyseniz, DataCamp’in Yapay Zekâ Uygulamaları Geliştirme kursunu öneririm.

Nedensel YZ’nin Teknik Uygulaması

Şimdiye dek Nedensel YZ’nin temellerini, arkasındaki modelleri, Nedensel Çıkarım için farklı yaklaşımları ve bununla çalışmaya yönelik iki Python çerçevesini gözden geçirdik. Bununla birlikte, yeni bir disipline dalmanın zor olabileceğini hepimiz biliyoruz. Bu nedenle bu bölümde, Nedensel YZ’yi hayata geçirmek için beş temel adımı inceleyeceğiz:

1. Veri kontrolü

Sahip olduğumuz verinin kalitesi kritik öneme sahiptir; çünkü nedensel çıkarım, incelenen sistemi doğru şekilde temsil eden veriye büyük ölçüde dayanır. Her tür hata, eksik değer veya önyargının nedensel ilişkileri çarpıtabileceğini akılda tutmak önemlidir.

Nedensel çıkarım ayrıca zengin veriler gerektirir; örneğin tüm ilgili çeldiricilerin gözlemlenip veriye dahil edilmesi, girişimlerin iyi tanımlanmış ve gözlemler arasında tutarlı olması ve bu bölünmeyi gerektiren teknikler uygulanırken grupların karşılaştırılabilir olması gibi. 

Son bir öneri olarak, verinizi seçme şansınız varsa, zamansal veriler (zaman serisi veya boylamsal veriler) olayların sırasını belirlemeye yardımcı olduğu için nedenselliği kurmada çoğu zaman çok faydalıdır.

2. Model seçimi

Bu adım, değişkenler arasındaki ilişkileri temsil eden kavramsal bir model oluşturmayı içerir. Bu noktada varsayımları resmileştirmek için sıklıkla DAG’ler veya SCM’ler gibi araçlar kullanılır.

Çeldiricilerin, gözlenen değişkenlerimizi etkileyebilecek olası gizli değişkenler olduğunu gördük. İki tür değişken daha vardır:

• Aracılar (Mediatorlar): Nedensel yol üzerinde yer alan değişkenler.
• Çarpışanlar (Colliderlar): İki başka değişken tarafından etkilenen değişkenler.

Modelleme sırasında bu üç değişken türünü ve olası etkileşimlerini belirlemek ve nedenselliğin yönünü net bir şekilde tanımlamak faydalıdır.

3. Tanımlama

Tanımlamanın amacı, ilgi duyulan nedensel etkinin, modele bağlı olarak gözlemlenen veriden tahmin edilip edilemeyeceğini belirlemektir. Bu nedenle bu adım, Değişken Tanımlama gibi Nedensel Çıkarım yöntemlerini kullanarak nedensel etkinin tanımlanabilir olup olmadığını kontrol etmeyi içerir.

4. Tahmin

Nedensel etki tanımlandıktan sonra, bu adım istatistiksel yöntemlerle nedensel etkinin nicelenmesine odaklanır. Örneğin, bu aşama Eğilim Skoru Eşleştirme uygulamak için iyi bir zamandır.

5. Çürütme

Bu aşama, varsayımları sorgulayarak ve alternatif açıklamaları araştırarak nedensel sonuçlarınızın dayanıklılığını sınar. Bu adımda kullanılan yöntemler arasında karşı-olgusal akıl yürütme ve girişimler bulunur. Karşı-olgusallar, farklı koşullar altında sonucun değişip değişmeyeceğini incelerken, girişimler değişkenleri aktif olarak değiştirip etkileri gözlemleyerek nedensel ilişkilerin sağlamlığını test eder.

Nedensel YZ Uygulamaları

Artık nedensel YZ’nin nasıl çalıştığını bildiğimize göre, bunu uygulayabileceğimiz bazı alan örneklerine bakalım.

Gerçek dünyada iş başındaki iyi bir nedensel YZ sistemi örneği, sağlık alanıdır; burada tıbbi girişimlerin nedensel etkisini tahmin ederek örneğin tedavilerin etkinliğini belirlemek için kullanılır. Ayrıca, nedensel ilişkiler, hastaların özel durumlarına göre tedavilerin uyarlanmasında kullanılır.

Pazarlama da Nedensel YZ’den fayda sağlayan bir diğer alandır. Örneğin, Nedensel YZ, korelasyon ile nedenselliği ayırt ederek pazarlama kampanyalarının gerçek etkisini ölçmeye yardımcı olur. Müşteri kararlarını neyin yönlendirdiğine dair daha derin içgörüler sağlar ve daha hedefli ve etkili pazarlama stratejilerini mümkün kılar. Benzer şekilde ekonomi, iş dünyası ve tedarik zinciri yönetimi gibi alanlar da nedenselliği anlamaya dayanır.

Son Düşünceler

Bu yazıda, nedensel YZ’nin verideki basit korelasyonların ötesine geçmemizi sağlayarak gerçek neden-sonuç ilişkilerini nasıl ortaya çıkardığını inceledik. Yönlü Çevrimsiz Grafikler, Yapısal Nedensel Modeller ve Bayesçi Ağların, karmaşık sistemleri temsil etmek ve onlar hakkında akıl yürütmek için nedensel modelleme araçları olarak nasıl hizmet ettiğini gördük. 

Ayrıca, veriye nedensel YZ’yi nasıl uygulayacağımızı, burada Rastgele Kontrollü Denemeler ve Eğilim Skoru Eşleştirmenin nedensel etki tahminine nasıl yardımcı olduğunu tartıştık. Ölçülmeyen çeldiricilerden şüphelenildiğinde, Araç Değişkenler gizli etkileri belirlemeye yardımcı olur.

Son olarak, pratikte nedensel YZ’yi uygulamaya yönelik adımları özetledik ve nedensel analizin çürütme aşamasında temel araçlar olarak karşı-olgusal akıl yürütme ile girişimlere özellikle vurgu yaptık.

Nedensel YZ gelişmeye devam ettikçe, yalnızca basit korelasyon ile nedenselliği ayırt etmede değil, aynı zamanda daha iyi karar verme için nedensellikten yararlanmada da giderek daha kritik bir rol oynayacaktır.

Nedensel YZ hakkında daha fazla bilgi edinmek ve işletmelerin daha iyi kararlar almasına nasıl yardımcı olduğunu görmek isterseniz, iş dünyasında nedensel YZ konulu DataFramed bölümümüze göz atın. Ayrıca, uygulamalı bir örnek için DoWhy Kütüphanesini Kullanarak Nedensel YZ konulu pratik rehberimizi okuyabilirsiniz.