大佬见解丨AIGC与因果推断的双向创变

近日，由DataFun承办的第三届计算机科学线上高峰会盛大游戏举行。对焦机器学习与大数据挖掘、AB试验、因果推断、数据中台与企业战略转型、流量增长和运营、计算机科学良好实践等6大数据科学主题风格，数十位世界各国一线大数据工程师紧紧围绕计算机科学前沿科技成效与应用社会经验深层次交流分享沟通交流。九章云极DataCanvas公司全程参与高峰会，并分享最前沿数据信息科技进步最新发布的研究成果。

大会上，九章云极DataCanvas公司AI系统架构师何刚发布“AIGC与因果推断的双向创变”演讲，讨论最近人工智能技术高烧技术性AIGC和传统技术性因果推断的融合创新很有可能。

何刚表明，AIGC在非结构化数据具体内容的形成中的表现震撼，针对数据存储结构剖析尚处于空缺情况，而因果推断乃是现阶段数据存储结构剖析行业最受关注的核心技术之一；以Agent-Based Modeling（ABM多智能体模型）为公路桥梁，能够搭建AIGC与因果推断链接，以实现AIGC与因果推断的双向创变。

ABM多智能体模型

ABM多智能体模型是一种用于仿真模拟具备自我意识的智能体的行动和相互影响的预测模型，具有较高的模拟仿真性、不断涌现特性、可解释性等优点。ABM的运作模式是在不同主要参数组成中进行模拟仿真运作，运行中能够导出数据信息，并把文件存储出来产生数据，是很详细并且具有反事实可获得、特点完好性、可分区规划等各大特征的数字化资产。工作经验证，从ABM系统软件中获得的高品质数据在因果推断里的因果效应可能、因果关系发觉、评价指标体系等行业都具有非常好的适用范围，提升因果推断研究方向无反事实样品的限定。

ABM为因果推断提供全方位数据支撑

不难看出，ABM多智能体模型特别适合做为AI媒介，完成AIGC从关系型数据库到数据存储结构产生的扩展，填补AIGC在数据存储结构领域内的薄弱点。

与此同时，因果推断将加速ABM多智能体建模流程，尤其是在校准数据和不断涌现剖析这俩关键过程阶段表现优秀。在校准数据阶段，可以将因果效应可能运用到参数分析，能够更符合校正总体目标、加快模拟仿真的校准过程，加速推进业务流程演练和辅助决策；在不断涌现表述阶段，根据组成因果关系发觉优化算法形成因果图，将因果关系发觉、机器学习算法、不确定性分析结合在一起，能够对不断涌现个人行为作出丰富多样的表述，进一步增强不断涌现表述水平。

融合九章云极DataCanvas公司近年来在因果推断领域内的基础理论科技创新成果和YLearn因果关系学习app这一开源系统国之大器的研发经验，何刚明确提出，拓延AIGC造成数据存储结构水平，运用AIGC形成因果关系学习模型汇报，及其运用因果推断扩展AIGC的因果报应表述水平能够成为整个因果推断与AIGC技术性紧密结合的三个研究内容。

由九章云极DataCanvas公司开源系统公布的YLearn因果关系学习app，是全世界开源工具中唯一能够端对端地处理“因果关系发觉、因果关系量鉴别、因果效应可能、反事实推论和对策学习培训”五大因果关系学习的目标的专业软件。YLearn打破了机器学习算法根据相关性模型的局限，挖掘信息中相对稳定的逻辑关系，通过在反事实情况下的推论，能够充分创变ABM多智能体模型，助推AIGC不断涌现实力的发掘。

将来，做为以“硬科技”立身处世的人工智能基础软件供应商，九章云极DataCanvas公司将持续专注AI核心能力产品研发行业，进一步推动AIGC与因果推断等新技术的融合创新，并加快前沿科技的规模化运用，为AI风潮奉献一份科技创新动能。

相关阅读：