AWS dans un effort conjoint avec Microsoft ont établi PyWhy en tant que nouvelle organisation GitHub pour intégrer les algorithmes AWS dans Pourquoiune bibliothèque ML occasionnelle de Microsoft, qui a migré vers PyWhy.
La mission de PyWhy est de construire un écosystème open source pour apprentissage automatique causal qui fait progresser l’état de l’art et le met à la disposition des praticiens et des chercheurs. PyWhy construira et hébergera des bibliothèques, des outils et d’autres ressources interopérables couvrant une variété de tâches causales et d’applications, connectés via une API commune sur les opérations causales fondamentales et se concentrant sur le de bout en bout processus d’analyse.
La majorité des systèmes du monde réel, qu’il s’agisse de procédures industrielles, de systèmes de chaîne d’approvisionnement ou de systèmes informatiques distribués, peuvent être caractérisés à l’aide de variables qui peuvent ou non avoir une relation causale les unes avec les autres.
L’évaluation des modèles d’apprentissage automatique causal et la formalisation et l’intégration des connaissances du domaine dans les pipelines d’apprentissage automatique présentent des problèmes de recherche importants. Trouver la meilleure technique d’identification, créer un estimateur et effectuer des contrôles de robustesse sont autant de phases qui sont souvent entièrement réalisées à partir de zéro dans le cadre de la procédure normale. Les hypothèses étaient cependant difficiles à comprendre et à valider.
Pourquoi est l’une des bibliothèques de causalité existantes qui se concentre sur plusieurs méthodes d’estimation des effets, avec l’objectif global de déterminer l’impact des interventions sur une variable cible.
En utilisant la force de modèles de causalité graphiquesle travail d’AWS améliore les GCM de l’ensemble de fonctionnalités actuel de DoWhy. Perle de Judéequi a remporté le Prix Turing, ont créé le cadre formel connu sous le nom de GCM pour modéliser les liens de causalité entre les variables d’un système. Les diagrammes de causalité, qui dépeignent visuellement les liens de cause à effet entre les variables observées avec une flèche d’une cause à son effet, sont un élément crucial des MCG.
DoWhy intègre déjà les résultats possibles et les modèles de causalité graphiques, deux des cadres scientifiques les plus appréciés pour l’inférence causale, dans une seule bibliothèque pour les estimations d’effets. La contribution d’AWS vise à renforcer la relation entre les cadres et les communautés de chercheurs qui s’y engagent.
