Causal Inference

Causal Inference (kausale Inferenz) untersucht Ursache-Wirkungs-Beziehungen in Daten — im Gegensatz zu bloßer Korrelation. Für die KI-Forschung ist sie ein Grenzgebiet, das zunehmend an Bedeutung gewinnt.

Die Kernfrage: Korrelation ist nicht Kausalität. Eiscreme-Verkäufe und Ertrinkungsunfälle korrelieren (beide steigen im Sommer) — aber Eiscreme verursacht kein Ertrinken. Ein ML-Modell, das nur Korrelationen lernt, würde diese Unterscheidung nicht machen können.

Judea Pearl, der 2011 den Turing Award für seine Arbeiten erhielt, formalisierte kausales Denken in drei Stufen. Erstens: Association — Was passiert gleichzeitig? (Standardstatistik, ML). Zweitens: Intervention — Was passiert, wenn ich X ändere? (Randomisierte Kontrollstudien). Drittens: Counterfactual — Was wäre passiert, wenn X anders gewesen wäre? (Kontrafaktische Analyse).

Aktuelle ML-Modelle operieren überwiegend auf Stufe 1. Sie können Muster erkennen, aber nicht die Frage „Warum?" beantworten. Pearl argumentiert, dass echte Intelligenz kausales Verständnis erfordert — und dass kein Modell, das nur auf Korrelationen trainiert wurde, je wirklich intelligent sein kann.

In der Praxis ist Causal Inference zentral für die Medizin (Wirkt dieses Medikament wirklich?), für Politik (Hat diese Maßnahme den Effekt verursacht?) und für Business (Steigert diese Preisänderung tatsächlich den Umsatz, oder war es ein anderer Faktor?). Tools wie DoWhy (Microsoft) und CausalNex (QuantumBlack) bringen kausale Methoden in die ML-Praxis.