機器學習模型在識別資料中的模式和預測方面成效顯著。 不過對於在干預情況下預估真實結果如何改變，則效果不彰。
從業者逐漸聚焦於使用歷史資料來告知其未來的決策和商務干預。 例如，如果公司追求新的定價策略，對營收有何影響？ 在所有其他情況都相同的情況下，新藥物是否可改善病患的狀況？
負責任 AI 儀表板
的「因果推斷」元件藉由估計特徵對平均利益成果、跨人口或世代和個人層級的效果，來解決這些問題。 其也有助於建構有作為的干預，方法是模擬對各種干預的特徵回應，並建立規則來判斷哪些人口世代可從干預獲益。 整體上，這些功能可讓決策者套用新的原則，並影響真實世界的變更。
此元件的功能來自
EconML
套件。 它會透過
雙機器學習
技術，從觀察資料預估異質處理效果。
當您需要執行下列項目時，請使用因果推斷：
找出對您利益成果有最直接效果的特徵。
決定要採取什麼整體處理原則，以將對利益成果的真實世界影響最大化。
了解具有特定特徵值的個人如何回應特定處理原則。
如何產生因果推斷深入解析？
要產生因果深入解析只需要歷史資料。 根據處理特徵計算的因果效果純粹是資料屬性。 因此，計算因果效果時，定型的模型是選用的。
雙機器學習是在觀察到所有可能的干擾因子/控制因素 (同時對所收集資料和觀察到成果的處理決策有直接影響的因素)，但出現下列任一項問題時，用於評估異質處理效果的一種方法：
對傳統統計方法而言，可能太多而無法適用。 也就是
高維度
。
其對處理和成果的影響無法透過參數化函式來滿意地重構模型。 也就是
非參數
。
您可以使用機器學習技術來解決這兩個問題。 例如，請參閱
Chernozhukov2016
。
雙機器學習會先預估兩個預測性工作，以減少問題：
從控制因素預測成果
從控制因素預測處理
然後，方法會在最終階段估計中結合這兩個預測模型，以建立異質性處理效果的模型。 此方法可讓任意機器學習演算法用於這兩個預測性工作，同時保有許多有利於最終模型相關的統計屬性。 這些屬性包括小型平均平方誤差、漸進常態以及建構信賴區間。
Project Azua
提供聚焦於端對端因果推斷的新穎架構。
Azua 的 DECI (深度端對端因果推斷) 技術是單一模型，可以同時執行因果探索和因果推斷。 使用者提供資料，然後模型可以輸出所有變數之間的因果關聯性。
這種方法本身可以為資料提供深入解析。 而且能夠計算個別處理效果 (ITE)、平均處理效果 (ATE) 以及條件式平均處理效果 (CATE) 等計量。 然後，您可以使用這些計算結果來做出最佳決策。
此架構可針對變數數量和資料點數量等大型資料調整。 也可以處理混合統計類型的遺漏資料項目。
EconML
可支援負責任 AI 儀表板因果推斷元件的後端作業。 它是一種 Python 套件，套用機器學習技術來估計來自觀察或實驗性資料的個別化因果回應。
EconML 中的估計方法套件代表因果機器學習的最新進展。 藉由將個別機器學習步驟納入可解譯的因果模型，這些方法可改善假設狀況預測的可靠性，並讓一組廣泛的使用者更快速且更輕鬆地進行因果分析。
DoWhy
是一個 Python 程式庫，旨在激發因果思考和分析。 DoWhy 為因果推斷提供準則化的四步驟介面，聚焦於明確建立因果假設的模型，並盡可能驗證它們。
DoWhy 的主要特色在於其最先進的反駁 API，可自動測試任何估計方法的因果假設， 使得推斷更健全，且更適合非專業人士使用。
DoWhy 支援對後端、前端、檢測變數和其他識別方法的平均因果影響估計。 也透過與 EconML 程式庫的整合來估計 CATE。
了解如何透過
CLI 和 SDK
或
Azure Machine Learning 工作室 UI
產生負責任 AI 儀表板。
探索負責任 AI 儀表板
支援的因果推斷視覺效果
。
了解如何根據負責任 AI 儀表板中觀察到的見解來產生
負責任 AI 計分卡
。
