Inferența cauzală cuprinde metodele prin care se deduc relații de cauză-efect din date, nu doar corelații. Răspunde la întrebări precum „Ce s-ar fi întâmplat dacă nu am fi luat această măsură?”. Instrumentele includ experimente randomizate, precum testele A/B, grafurile cauzale și tehnici statistice pentru date observaționale. Exemplu: verificarea dacă o campanie de reduceri a crescut efectiv vânzările sau dacă acestea ar fi crescut oricum din motive sezoniere.
Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.
Porniți demo-ulRețelele bayesiene sunt modele grafice care reprezintă variabilele ca noduri și dependențele lor probabilistice ca săgeți orientate. Folosind teorema lui Bayes, acestea arată cum modifică observațiile noi probabilitatea altor evenimente. Un exemplu este sprijinul pentru diagnostic: estimarea celei mai probabile cauze pe baza simptomelor observate. Punctele lor forte sunt transparența și capacitatea de a gestiona date incerte sau incomplete.
Analiza predictivă folosește date istorice, statistică și învățare automată pentru a estima evenimente viitoare probabile. Răspunde la întrebări precum: care clienți urmează să renunțe? Ce stoc va fi necesar luna viitoare? Când este probabil să se defecteze un utilaj? Rezultatele sunt probabilități, nu certitudini. Valoarea lor depinde în mare măsură de calitatea datelor și de faptul că predicțiile ajung efectiv în decizii și procese.
În IA, bias (prejudecata algoritmică) desemnează o distorsionare sistematică a rezultatelor. Aceasta provine adesea din date de antrenare dezechilibrate sau distorsionate istoric, dar și din proiectarea modelului ori din modul în care este formulată o întrebare. Un exemplu cunoscut: un instrument de preselecție a candidaților care învață din deciziile de angajare anterioare poate perpetua dezavantajele existente. În statistică, bias înseamnă și abaterea unei estimări de la valoarea reală. Contramăsurile includ date diverse, audituri periodice și decizii luate de oameni în chestiunile de personal.
Analiza exploratorie a datelor (EDA) este prima privire deschisă asupra unui set de date: se calculează indicatori sintetici, se examinează distribuțiile și graficele și se caută tipare, valori aberante și valori lipsă – încă fără o ipoteză fixă. Ajută la evaluarea calității datelor și la formularea unor întrebări potrivite pentru analize sau modelări ulterioare. Exemplu: înaintea unei prognoze de vânzări, EDA arată că o lună a fost înregistrată incomplet din cauza unei migrări de sistem.
