Kauzálna inferencia zahŕňa metódy na odvodzovanie vzťahov príčiny a následku z údajov, namiesto toho, aby sa len zisťovali korelácie. Odpovedá na otázky ako „Čo by sa stalo, keby sme toto opatrenie neurobili?“. Medzi nástroje patria randomizované experimenty, ako sú A/B testy, kauzálne grafy a štatistické techniky pre observačné údaje. Príklad: zistenie, či zľavová kampaň skutočne zvýšila predaj, alebo či by predaj z sezónnych dôvodov vzrástol aj tak.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoBayesovské siete sú grafické modely, ktoré znázorňujú premenné ako uzly a ich pravdepodobnostné závislosti ako orientované šípky. Pomocou Bayesovej vety ukazujú, ako nové pozorovania menia pravdepodobnosť iných udalostí. Príkladom je podpora diagnostiky: odhad najpravdepodobnejšej príčiny z pozorovaných príznakov. Ich silnými stránkami sú transparentnosť a schopnosť pracovať s neistými alebo neúplnými údajmi.
Prediktívna analytika využíva historické dáta, štatistiku a strojové učenie na odhad pravdepodobných budúcich udalostí. Odpovedá na otázky ako: Ktorí zákazníci sa chystajú odísť? Koľko zásob bude potrebných budúci mesiac? Kedy sa pravdepodobne pokazí stroj? Výsledkom sú pravdepodobnosti, nie istoty. Ich hodnota výrazne závisí od kvality dát a od toho, či sa predpovede skutočne premietnu do rozhodnutí a procesov.
Skreslenie (bias) v AI označuje systematické skreslenie výsledkov. Často pochádza z nevyvážených alebo historicky skreslených trénovacích údajov, ale aj z návrhu modelu alebo zo spôsobu, akým je otázka položená. Známy príklad: nástroj na preverovanie uchádzačov, ktorý sa učí z minulých rozhodnutí o prijatí, môže udržiavať existujúce znevýhodnenia. V štatistike bias znamená aj odchýlku odhadu od skutočnej hodnoty. Protiopatrenia zahŕňajú rozmanité údaje, pravidelné audity a ľudské rozhodovanie v personálnych otázkach.
Prieskumná analýza údajov (EDA, exploratory data analysis) je prvý, otvorený pohľad na súbor údajov: vypočítate súhrnné ukazovatele, preskúmate rozdelenia a grafy a hľadáte vzorce, odľahlé hodnoty a chýbajúce hodnoty – zatiaľ bez pevnej hypotézy. Pomáha posúdiť kvalitu údajov a nájsť zmysluplné otázky pre ďalšiu analýzu alebo modelovanie. Príklad: pred predpoveďou predaja EDA odhalí, že jeden mesiac bol kvôli migrácii systému zaznamenaný neúplne.
