AWS en Microsoft werken samen aan PyWhy, de nieuwe thuisbasis van de reguliere ML-bibliotheek DoWhy

AWS In een gezamenlijke inspanning met Microsoft gemaakt Waarom Als een nieuwe GitHub-organisatie om AWS-algoritmen te integreren in Ik doeeen informele ML-bibliotheek van Microsoft, die is gemigreerd naar PyWhy.

PyWhy’s missie is om een ​​open source ecosysteem te bouwen voor: Causaal machinaal leren Het ontwikkelt state of the art en stelt deze ter beschikking aan praktijkmensen en onderzoekers. PyWhy, zal interoperabele bibliotheken, tools en andere bronnen creëren en hosten die een verscheidenheid aan causale taken en applicaties omvatten, verbonden via een gemeenschappelijke API rond fundamentele causale processen en een focus op Van kont tot fooi analyse proces.

De meeste real-world systemen, of het nu industriële processen, supply chain-systemen of gedistribueerde computersystemen zijn, kunnen worden beschreven met behulp van variabelen die al dan niet een causaal verband met elkaar hebben.

Het evalueren van causale modellen voor machine learning en het formaliseren van domeinkennis en het integreren ervan in machine learning-pijplijnen zijn grote onderzoeksproblemen. Het vinden van de beste identificatietechniek, het maken van een schatter en het uitvoeren van sterktecontroles zijn allemaal fasen die vaak helemaal opnieuw worden voltooid als onderdeel van de normale procedure. Het was moeilijk om de aannames te begrijpen en te valideren.

Ik doe Het is een van de bestaande bibliotheken van oorzakelijk verband die zich richt op verschillende methoden voor impactschatting, met als algemeen doel het bepalen van het effect van interventies op de doelvariabele.

Door gebruik te maken van de kracht van Grafische causale modellenHet werk van AWS is het verbeteren van de bestaande DoWhy-functies voor GCM’s. Yehuda Perelwie heeft de gewonnen Turingprijs, vestigde het formele raamwerk dat bekend staat als GCM’s voor het modelleren van causale verbanden tussen variabelen in een systeem. Causale diagrammen, die de oorzaak-en-gevolg-verbanden tussen waargenomen variabelen visueel weergeven met een oorzaak-tot-gevolg-pijl, zijn een cruciaal onderdeel van algemene circulatiemodellen.

DoWhy integreert al mogelijke uitkomsten en grafische causale modellen, twee van de meest populaire wetenschappelijke kaders voor causale gevolgtrekking, in een enkele bibliotheek van effectschattingen. De bijdrage van AWS is gericht op het versterken van de relatie tussen frameworks en hun toegewijde wetenschappelijke gemeenschappen.