Karşı Olgusallar: Daha iyi öneri algoritmaları için karmaşık matematik kullanma
Spotify müzik akışı hizmetindeki bir araştırma grubu tarafından geliştirilen yeni bir makine öğrenimi (ML) modeli, ilk kez sözde karşı-olgusalların karmaşık matematiğini yakalıyor. Geçmişteki olayların nedenlerini belirlemek ve gelecekteki olayların etkilerini tahmin etmek için kullanılan bir tekniktir.
Nature Machine Intelligence dergisinde bu yılın başlarında açıklanan makine öğrenimi modeli, özellikle kişiselleştirilmiş öneriler söz konusu olduğunda, müzik hizmetlerinden finansa ve ‘sağlık hizmetlerine’ kadar çeşitli uygulamalarda otomatik karar vermenin doğruluğunu artırabilir.
Karşı Olgusalların arkasındaki fikir, belirli parametreler değişseydi, belirli bir durumda ne olacağı sorusudur. Temel olarak, dünyayı “geri sarmak”, bazı önemli ayrıntıları değiştirmek ve ardından şimdi ne olacağını görmek için oynat düğmesine basmak gibi. Doğru ayarlarla gerçek nedensellik, korelasyon ve tesadüften ayırt edilebilir.
Modelin geliştirilmesine yardımcı olan Spotify’ın Nedensel Çıkarım Araştırma Laboratuvarı başkanı Ciaran Gilligan-Lee, “Karar vermede neden ve sonucu anlamak çok önemlidir” diyor. “Şu anda verdiğiniz bir kararın gelecek üzerinde nasıl bir etkisi olacağını anlamak istiyorsunuz.”
Doğru müzik seçimi
Bir müzik hizmeti söz konusu olduğunda, bu, hangi şarkıları dinleyeceğinize nasıl karar vereceğiniz veya bir sanatçının yeni bir albüm yayınlamasının ne zaman mantıklı olacağı anlamına gelebilir. Gilligan-Lee, Spotify’ın şu anda bu teknolojiyi kullanmadığını söylüyor. “Ama her gün uğraştığımız soruları yanıtlamaya yardımcı olabilir.” Karşı olgular sezgiseldir. İnsanlar genellikle dünyayı, bunun yerine bu olsaydı nasıl olacağını hayal ederek resmederler. Ancak matematiksel olarak bu rakam korkunçtur.
Gilligan-Lee, “Karşı olgular çok garip görünen istatistiksel nesnelerdir” diyor. “Bunu yapmak için garip şeyler düşünmelisin. Olmadıysa bir şeyin olma olasılığını soruyorsun.” Gilligan-Lee ve ortak yazarları, MIT Technology Review’daki bir makalede birbirlerinin çalışmaları hakkında okuduktan sonra bir araya geldi. Karşı-olgusal modeliniz artık sözde ikiz ağlara dayanıyor. Bunlar, 1990’larda bilgisayar bilimcileri Andrew Balke ve Judea Pearl tarafından icat edildi. Pearl, nedensel akıl yürütme ve yapay zeka üzerine yaptığı çalışmalardan dolayı Bilgisayar Bilimlerinde Nobel Ödülü olarak kabul edilen 2011 Turing Ödülü’nü aldı.
Gilligan-Lee, Pearl ve Balke’nin bir avuç basit örnek bulmak için ikiz ağları kullandığını söylüyor. Ancak, bu matematiksel çerçeveyi daha büyük ve daha karmaşık gerçek dünya durumlarına uygulamak zordur. Makine öğreniminin devreye girdiği yer burasıdır. İkiz Ağlar, karşı olguları bir çift olasılık modeli olarak ele alır: biri gerçek dünyayı, diğeri kurgusal olanı temsil eder. Modeller öyle bir bağlanmıştır ki, gerçek dünya modeli hayali dünya modelini, değiştirmek istediğiniz gerçekler dışında her yönden aynı kalacak şekilde sınırlar.
Gilligan-Lee ve meslektaşları, ikiz ağları bir sinir ağı modeli olarak kullandılar ve ardından onu, kurgusal dünyada olayların nasıl gelişeceğine dair tahminler yapmak üzere eğittiler. Sonuç, genel amaçlı bir karşı-olgusal akıl yürütme programıdır. Gilligan-Lee, “Bir senaryo hakkında herhangi bir karşı-olgusal soruyu yanıtlamak için kullanabilirsiniz” diyor.
Spotify modelini test edin
Spotify ekibi modellerini, biri Almanya’daki krediler, biri inme ilaçları için uluslararası bir klinik deney ve Kenya’daki su güvenliği de dahil olmak üzere birçok gerçek dünya vaka çalışması üzerinde test etti.
2020’de araştırmacılar, çocuklarda ishalli hastalık insidansını azaltmak için Kenya’nın bir bölgesinde borular ve beton bariyerler yerleştirmenin su kaynaklarını bakteriyel kontaminasyondan koruyup korumayacağını araştırdı. Olumlu bir etki gördüler. Ancak Gilligan-Lee, asıl nedenin net olmadığını söylüyor. Ülke genelinde kuyular betonla korunmadan önce, hastalık vaka sayısındaki düşüşün aslında bu önlemden kaynaklandığından ve sadece bir yan etki olmadığından emin olmak gerekiyordu.
Bu nedenle, çalışmayı yürüten, kuyuların etrafına beton bariyerler inşa eden araştırmacıların, insanları kirli suyun risklerine karşı duyarlı hale getirmeleri ve bu nedenle evde kaynatmaya başlamaları olasıdır. Gilligan-Lee, “Bu durumda, eğitim daha ucuz bir yol olacaktır” dedi.
Gilligan-Lee ve meslektaşları bu senaryoyu modelleri aracılığıyla analiz ettiler ve gerçek dünyada korunmasız bir kuyudan su içtikten sonra hastalanan çocukların, korumalı bir kuyudan su içtikten sonra hayali dünyada da hastalanıp hastalanmadıklarını sordular. Çocuğun içtiği yerin değiştirilmesinin ve B. evsel su arıtma gibi diğer koşulların sürdürülmesinin sonuç üzerinde önemli bir etkisinin olmadığını buldular, bu da çocuklarda ishalli hastalıkların azalmasına (doğrudan) kurulumdan kaynaklanmadığını düşündürdü. borular ve beton bariyerler.
Özel istatistiksel model
Bu, karşı olgusal değerlendirmeleri de içeren 2020 çalışmasının sonucuna karşılık gelir. Ancak Gilligan-Lee, bu araştırmacıların sadece bu soruyu sormak için özel bir istatistiksel model oluşturduklarını söylüyor. Bunun aksine, Spotify ekibinin makine öğrenimi modeli evrenseldir ve birçok farklı senaryo hakkında birden fazla karşı-olgusal soru sormak için kullanılabilir.
Spotify, neden-sonuç içgörüleri sağlayabilecek makine öğrenimi modelleri geliştirmek için acele eden tek teknoloji şirketi değil. Son yıllarda Meta, Amazon, LinkedIn ve TikTok’un sahibi ByteDance gibi şirketler de bu yöntemleri geliştirmeye başladı.
Meta’da bir yazılım mühendisi olan Nailong Zhang, “Nedensel çıkarım, makine öğreniminin merkezinde yer alır” diyor. Örneğin Meta bunları, Instagram’ın kullanıcılarına platforma geri dönmelerini sağlamak için ne kadar ve ne tür bildirimler göndermesi gerektiğine karar veren makine öğrenimi modelinde kullanır.
Indiana’daki Purdue Üniversitesi’nde veri bilimcisi olan Romila Pradhan, otomatik karar vermeyi daha şeffaf hale getirmek için Karşı Olgusalları kullanıyor. Günümüzde şirketler, kimin kredi, iş, şartlı tahliye ve hatta bir apartman dairesi alıp almayacağına karar vermek için makine öğrenimi modellerini kullanıyor.
bir mantık meselesi
Düzenleyiciler daha sonra şirketlerden bu kararların sonuçlarını etkilenen bireylere açıklamalarını istemeye başladı. Bununla birlikte, karmaşık bir algoritmanın adımlarını yeniden oluşturmak zordur.
Pradhan, karşı olguların burada yardımcı olabileceğine inanıyor. Bir bankanın makine öğrenimi modelinin kredi başvurunuzu reddettiğini ve siz bunun nedenini öğrenmek istediğinizi varsayalım. Bu soruyu cevaplamanın bir yolu, karşı-olgusal senaryolardır. Başvurunun gerçek dünyada reddedildiğini varsayalım. Kredi geçmişinizin farklı olacağı hayali bir dünyada bile reddedilir miydi? Posta kodunuz, işiniz, geliriniz vb. olsaydı ne olurdu? farklı? Pradhan, “Bu tür soruları gelecekteki kredi onay programlarına entegre etme yeteneği, bankaların müşterilerine basit bir ‘evet’ veya ‘hayır’ yerine bir gerekçe sunmalarına izin verecektir.” dedi.
Karşı olgusal sorular önemlidir, çünkü insanların farklı sonuçlar hakkında nasıl düşündüklerini gösterirler, diyor: “Açıklamaları yakalamak için iyi bir yol.” Teknoloji, şirketlerin insan davranışını tahmin etmesine de yardımcı olabilir. Karşı olgusal sorular, yalnızca ortalama olarak değil, belirli bir durumda neler olabileceği hakkında sonuçlara varılmasına izin verdiğinden, kullanıcılar çekmecelerinde daha iyi sıralanabilir.
İçme suyu korumasını veya kredi kararlarını gerekçelendirmek için kullanılan mantığın aynısı, Spotify çalma listelerine, Instagram bildirimlerine ve hedefli reklamlara verilen yanıtları optimize etmek için de kullanılabilir. Bu şarkıyı çalarsak, kullanıcı daha uzun süre dinler mi? Bu resmi gösterirsek, o kişi yine de kayar mı? Gilligan-Lee, “Şirketler, yalnızca ortalama bir kullanıcı için değil, belirli kullanıcılar için nasıl önerilerde bulunulacağını anlamak istiyor” diyor. Kullanıcıların bunu bu şekilde isteyip istemediği başka bir sorudur.
(bsc)
Haberin Sonu