Halerium CORE: Causal Inference

Daten lügen nicht, aber sie erzählen auch nicht die ganze Wahrheit. Während für uns Menschen der Unterschied zwischen Korrelation und Kausalität klar ist, ist dieser Unterschied für die meisten Machine Learning Algorithmen nicht auflösbar. Denn aus reinen Beobachtungsdaten kann nicht gelernt werden, wie Ursache und Wirkung zueinander strukturiert sind.

Wenn es nun aber darum geht, mit Machine Learning Entscheidungsprozesse zu unterstützen, dann ist das Verständnis der Ursache-Wirkung-Beziehung, also der kausalen Zusammenhänge, entscheidend. Mit dem Release von Halerium Core stellen wir das mächtige Werkzeug der Causal Inference nun in einem Open Access Modell zur Verfügung.

Halerium Core

Halerium Core ist ein Open Access Python Package für alle Coder, die Daten nicht nur retrospektiv auswerten, sondern Causal Inference betreiben möchten. Konkret bedeutet das, Ursache-Wirkung-Zusammenhänge zu verstehen. Gängige Machine Learning Ansätze sind dazu nur bedingt geeignet. Denn: sie bieten zwar Regressionen, Klassifikatoren und die damit verbundenen statistischen Auswertungen. Der Unterschied zwischen Korrelation und Kausalität ist für sie jedoch nicht auflösbar. Causal Machine Learning macht genau das, ist aber mathematisch anspruchsvoll. Halerium Core macht Causal Machine Learning für alle Coder als Open-Access Python Package nutzbar.

pip install halerium


Was ist Causal Machine Learning? Und warum ist es wichtig?

Wir sprechen mit Siri und Alexa, nutzen intelligente Stauumfahrung und entsperren unser Mobiltelefon durch intelligente Gesichtserkennung. Wie kommt es, dass unser Privatleben bereits so stark von KI durchdrungen ist und die Anwendungsfelder in der Industrie im Vergleich dazu noch relativ spärlich sind?

Datenbasierte Entscheidungen können falsch sein

KI im Consumer Bereich bedient sich häufig unstrukturierten Massendaten, die durch Black-Box Modelle in riesiger Geschwindigkeit ausgewertet werden. Doch nicht in allen Wirtschaftsbereichen haben wir Massendaten zur Verfügung um Algorithmen zu trainieren und sinnvolle Ergebnisse zu erhalten. Zudem geben Blackbox Modelle zwar Informationen darüber welche Daten verarbeitet und welche Ergebnisse generiert wurden, aber nicht, wie und warum beispielsweise eine Vorhersage auf eine bestimmte Weise getroffen wurde.

Diese Modelle haben damit nicht den Anspruch, Zusammenhänge zu erklären. Es findet keine Rekonstruktion der die Daten erzeugenden Prozesse an sich statt und am Ende ist unklar, welche Variablen das Ergebnis nun tatsächlich beeinflusst haben. Alle Beteiligten müssen dem Modell und seinen Resultaten blind vertrauen. Für viele Unternehmen unterschiedlichster Branchen und insbesondere in der deutschen Industrie, die für höchste Sicherheit und Qualität steht, ist der Einsatz einer derartig intransparenten Lösung keine Option.

Causal Machine Learning gibt Ihnen die nötige Transparenz

In der Zusammenarbeit mit führenden Industrieunternehmen Deutschlands bestätigt sich, dass Unternehmen nach KI-Ansätzen suchen, die den Ansprüchen einer Whiteboxing-Lösung gerecht werden – das heißt, dass Vorhersagen nicht nur richtig berechnet, sondern auch durch das Modell begründet werden können. Causal Machine Learning ist eine Methode, die Ihnen diese Transparenz bietet. Damit sind Sie zu jeder Zeit in der Lage, nachzuvollziehen, was mit den Daten in den verschiedenen Teilprozessen des Modells geschieht, welche Berechnungen durchgeführt werden, Ursache und Wirkung zu identifizieren, Beziehungen zwischen Einflussvariablen zu erklären und damit auch zu sehen, wie die eingesetzte KI zu ihrem Ergebnis kommt.

Unsere Softwarelösung Halerium wurde auf Basis dieser Erkenntnisse entwickelt und macht Ihnen Causal Machine Learning einfach zugänglich. Im Gegensatz zu rein statistischen Analysemethoden werden Scheinkorrelationen ausgeschlossen und Sie leiten die richtigen Handlungsempfehlungen ab, auch mit wenigen Daten.

Anwendungsfelder und Beispiele

Mit Halerium verstehen und steuern Sie komplexe Prozesse auf Basis von kausalem Machine Learning. Sie nutzen Root-Cause-Analysis (RCA), um Haupteinflussgrößen zu identifizieren und Was-wäre-wenn-Analysen, um die Ergebnisse verschiedener Szenarien zu bewerten.

In der Industrie wird Halerium eingesetzt um Prozessdrifts frühzeitig zu erkennen und innerhalb von Sekunden zu handeln. So kann die Anlageneffektivität deutlich gesteigert werden.

Im Einzelhandel wird Halerium eingesetzt um Marketingmaßnahmen zu bewerten, die richtigen Handlungsentscheidungen abzuleiten und daraufhin die Ressourcen richtig einzusetzen, um größtmöglichen Erfolg zu erzielen.

Halerium

Halerium ist eine Data Insights Plattform für Unternehmen, die evidenzbasierte Entscheidungen als Wettbewerbsvorteil für sich nutzen möchten.
Haleriums grafische Wissensstrukturierung hilft Ihnen dabei, sich der dafür relevanten KPIs klar zu werden und die möglichen Einflussgrößen zu strukturieren.
Um die skizzierten Zusammenhänge anhand der verfügbaren Daten zu quantifizieren, nutzen Sie die leistungsfähige Causal Inference Engine von Halerium .
Das derartig trainierte kausale Machine Learning Modell berechnet Ihnen schließlich jene Maßnahmen, die die relevanten KPIs optimieren.

Ein theoretischer Ansatz ist Ihnen zu abstrakt?
Hier gelangen Sie zu unseren bereits umgesetzten Projekten.