Почему? Новая наука о причинно-следственной связи

Чтобы наконец-то понять, вреден ли кофе

«Почему? Новая наука о причинно-следственной связи» — это адаптированный для широкой публики вариант научных публикаций Джуды Перла. Зачем читать популярное нечто о статистике? Причина чисто шкурная (в прямом смысле слова): мы регулярно сталкиваемся с тем, что «британские ученые установили», «британские ученые опровергли то, что они же установили днем ранее» или «британские ученые придерживаются прямо противоположных точек зрения». Все бы ничего, если бы эти «открытия» не касались продуктов регулярного использования (например, кремов и сывороток для лица) или оценки наших ежедневных действий (бегать утром или вечером, бег или качалка — что лучше?). Чтобы из вороха информации выделять более надежные источники, необходимо понимать статистические принципы «правильных» исследований. А в случае полного разочарования от противоположных мнений ученых — методологические причины этого.

Другие два момента: моделирование причинно-следственных связей сверхважно для развития искусственного интеллекта, поэтому теоретические разработки в этой области примерно указывают на логику, которой будет следовать развитие искусственного интеллекта (а нам всем все же интересно, когда уже нас заменят роботы). Также книга дает представление о теоретической дискуссии внутри статистики как науки.

Учитывая все это, утверждать, что книга читается легко, конечно, нельзя. Но все-таки, когда привыкаешь к формулам (полностью без них у авторов не получилось), чтение становится приятным. Также нельзя не отметить: автор не очень тактично отзывается о многих ученых, занимавшихся статистикой.

Несколько слов об искусственном интеллекте: Джуда Перл убежден, что развитие искусственного интеллекта на базе причинно-следственных связей — единственно верный путь. Его преимущество перед глубинным обучением состоит в том, что причинно-следственные связи прозрачны, а глубинное обучение — нет. Так, хотя разработанная Google программа AlphaGo побеждает профессиональных игроков в го, что казалось невозможным (в отличие от шахмат, там слишком много вариантов и их невозможно все выучить), разработчики не знают, как она работает. Джуда Перл уверен, что роботы должны понимать сослагательное наклонение, ведь только оно позволяет коммуницировать с людьми и гарантирует возможность обучения на прошлых ошибках.

Чем не устраивает обычная статистика?

Традиционные статистические методы в целом показывают корреляцию, но не причинно-следственные связи. Эту истину вдалбливают в голову всем студентам на курсах статистики. Традиционные методы статистики позволили выявить множество закономерностей, но они серьезно ограничивают возможности познания мира в XXI веке. Ведь корреляция порой не только вводит нас в заблуждение (песни петуха на заре никак не причина восхода солнца), но и не позволяет ответить на такие вопросы: «Какова основная причина выздоровления пациента?», «Что было бы, если бы население резко сократило потребление алкоголя?», «Что будет, если изменить налоговую ставку?». И множество других, для получения ответа на которые невозможно провести эксперимент с контрольной группой. (Последнее стало стандартом в медицине и постепенно распространяется и в других областях.)

Отсутствие понятийного аппарата для отражения причинно-следственных связей — основная причина этого положения. При этом вопросы из серии «Что, если?» — неотъемлемая часть нашего мышления. Во всех областях жизни мы руководствуемся именно анализом происходящего и размышлениями о том, что будет, если поступить так или иначе. Воображение — важнейший фактор формирования человека и развития общества, как показал Юваль Харари в своей книге «Sapiens. Краткая история человечества».

Чтобы обогатить статистический аппарат, Джуда Перл предлагает диаграммы со стрелками (ниже мы расскажем о них подробно). Пункт X и пункт Y соединены стрелкой, острие которой указывает, какой показатель «прислушивается» к другому. Джуда Перл не был первым, кто графически представил взаимосвязь двух событий. Причинно-следственная революция проходила постепенно на протяжении более чем полувека.

Благодаря стрелкам — это новшество лишь на первый взгляд кажется дребеденью, но по факту требует нетривиальных логических способностей (не расслабляйтесь) — анализ вышел на новый, третий уровень. Лестница показывает предыдущие два: первый — это корреляция, мы лишь наблюдаем за происходящим (да, анализ больших данных и искусственный интеллект находятся на нем), на следующем уровне мы задумаемся о последствиях своих действий, то есть вмешиваемся (здесь расположены исследования с контрольными группами), на третьем — переход к сослагательному наклонению, когда для ответа на вопрос «Что, если?» требуются лишь данные и стрелочки, искусно помноженные на привычные статистические методы.

Корреляция — это не причинно-следственные связи. Разве?

Английский антрополог, географ, психолог Френсис Гальтон (1822–1911) одним из первых начал анализировать наследственность. Он рассматривал рост отцов и их сыновей, и выявил закономерность, известную как «регрессия к средним величинам». То есть высока вероятность, что у высокого отца сын будет ниже ростом (и наоборот). Если бы это было не так, то тогда средний рост населения серьезно менялся бы, но он остается стабильным. Чтобы наглядно показать этот процесс, он сконструировал «доску Гальтона». Если бросить один шарик, то предсказать его размещение сложно, но при тысяче общее распределение статистикам сегодня известно.

Рис. 1. Доска Гальтона