Causal AI: cómo la tecnología nos ayuda a entender mejor nuestras decisiones
En las últimas décadas, los modelos predictivos se han convertido en una herramienta esencial para muchas organizaciones, permitiendo tomar decisiones basadas en datos y mejorar las operaciones del negocio. Sin embargo, a medida que el mercado se va volviendo más competitivo y retador, las empresas han buscado nuevas técnicas para ser más rápidos, inteligentes y mejores; por este motivo una nueva inteligencia artificial ha ganado gran atención gracias a una publicación de Gartner del 2022; la cual se denominó “Causal AI”.
La Inteligencia Artificial Causal (Causal AI) es una de las áreas de investigación más prometedoras en la actualidad. Esta rama de la inteligencia artificial se enfoca en el análisis de las relaciones causales entre variables, en lugar de solo las correlaciones. Mientras los modelos tradicionales identifican el grado en que múltiples eventos están relacionados, Causal AI identifica la causa raíz de los eventos mediante la comprensión de los efectos de cualquier variable que pueda haberlos provocado. Los modelos de Causal AI pueden ayudar a los investigadores a comprender mejor cómo las variables se influyen entre sí y cómo los cambios en una variable pueden afectar a otra.
Si se le proporciona un conjunto de datos de temperatura, ventas de helados y los ataques de tiburón promedio, un modelo de aprendizaje automático tradicional no vería la diferencia en la relación entre helado y temperatura y helado y los ataques de tiburón. Sin la intuición humana, las ideas del modelo podrían interpretarse como que cuando aumentan los ataques de tiburón, también debe hacerlo el consumo de helado. Nosotros, como humanos, obviamente podemos decir que esto está mal, pero un modelo ML tradicional no lo hace. Causal AI, por otro lado, puede identificar a través de la inferencia causal que el helado y los ataques de tiburón no dependen el uno del otro y, en cambio, estos incrementan cuando el clima es cálido y soleado.
En la actualidad, existen varios usos importantes de la Causal AI en diferentes campos, como la medicina, la economía, la política pública y la toma de decisiones empresariales.
En la medicina, los modelos de Causal AI pueden ayudar a los médicos a tomar decisiones informadas sobre el tratamiento de los pacientes. Por ejemplo, los modelos pueden identificar cómo ciertos medicamentos interactúan entre sí y cuáles son los efectos secundarios que pueden causar en un paciente. Además, los modelos de Causal AI pueden ayudar a predecir el riesgo de enfermedades en diferentes poblaciones, lo que es útil para la prevención y el tratamiento de enfermedades crónicas.
En la economía, los modelos de Causal AI pueden ayudar a los economistas a comprender cómo las políticas gubernamentales y los cambios en la economía afectan a diferentes sectores. Por ejemplo, los modelos pueden predecir cómo una política fiscal o monetaria afectará el crecimiento económico y el empleo en diferentes regiones. Además, los modelos de Causal AI pueden ayudar a identificar los factores que influyen en el éxito de las empresas y las tendencias del mercado.
En la toma de decisiones empresariales, los modelos de Causal AI pueden ayudar a los tomadores de decisiones a comprender mejor cómo las decisiones que toman afectarán a su negocio y a la industria en general. Por ejemplo, si bien actualmente ya se están usando con éxito modelos de machine learning convencionales para la prevención de abandono y estos pueden identificar y categorizar a los clientes por su probabilidad de abandono, los modelos de Causal AI también pueden identificar qué clientes responderán bien a los mensajes de seguimiento y cuales no y con estos conocimientos pueden mejorar la retención de clientes, ya que los recursos se pueden asignar a los clientes más receptivos.
Otro caso de uso muy interesante para este, nuestro sector financiero, es el análisis de riesgo de inversión ya que esta IA puede apoyar a los inversores para explorar una gran variedad de datos, identificar tendencias invisibles y utilizar conocimientos sobre la causa de esas tendencias para aprovechar nuevas oportunidades de inversión.
En conclusión, conocer el “por qué” detrás de problemas complejos nos ayuda a comprender cómo funciona realmente el mundo y, a su vez, a identificar las acciones correctas para lograr los resultados deseados. En este sentido la Causal AI es una herramienta poderosa para comprender todas estas relaciones causales entre variables y predecir los efectos de los cambios en una variable sobre otra. Con el avance de la tecnología y la investigación, es probable que veamos aún más aplicaciones de la Causal AI en el futuro. Y tú, ¿Qué uso le encontrarías a esta tecnología dentro del banco? ¿Te gustaría implementarla para la toma de decisiones?
