कार्य-कारण अनुमान (कॉज़ल इन्फ़रेंस) सांख्यिकी और डेटा विज्ञान की एक शाखा है जो डेटा से कारण-और-प्रभाव संबंधों के बारे में कठोर निष्कर्ष निकालने पर केंद्रित है, जो सहसंबंध को कार्य-कारण से अलग करती है। यह इस प्रकार के प्रश्नों के उत्तर देने के लिए एक औपचारिक भाषा और उपकरणों का समूह प्रदान करती है: "यदि हम X को बदल दें, बाकी सब कुछ स्थिर रखते हुए, तो क्या होगा?" यह वर्णनात्मक या भविष्यवाणी मॉडलिंग से मौलिक रूप से भिन्न है, जो अंतर्निहित तंत्र को समझे बिना पैटर्न और संबंधों की खोज करती है। इस क्षेत्र की जड़ें दर्शनशास्त्र, सांख्यिकी और महामारी विज्ञान में गहरी हैं, लेकिन यह आधुनिक मशीन-लर्निंग और सार्वजनिक स्वास्थ्य, अर्थशास्त्र और प्रौद्योगिकी नीति जैसे क्षेत्रों में निर्णय लेने के लिए तेजी से केंद्रीय बन गई है।
कार्य-कारण अनुमान का मूल प्रश्न प्रति-तथ्यात्मक (काउंटरफैक्चुअल) है: किसी व्यक्ति या प्रणाली के साथ क्या हुआ होता यदि उसे एक अलग उपचार या जोखिम प्राप्त हुआ होता। चूंकि प्रति-तथ्यात्मक कभी सीधे देखे नहीं जाते, कार्य-कारण अनुमान विधियाँ उनका अनुमान लगाने के लिए धारणाओं, अध्ययन डिज़ाइन और सांख्यिकीय तकनीकों पर निर्भर करती हैं। यादृच्छिक प्रयोग, जिन्हें यादृच्छिक नियंत्रित परीक्षण भी कहा जाता है, स्वर्ण मानक हैं क्योंकि यादृच्छिक असाइनमेंट उपचार और अन्य भ्रमित करने वाले कारकों के बीच संबंध को तोड़ देता है। उन पर्यवेक्षणीय सेटिंग्स में, जहाँ यादृच्छिकीकरण असंभव या अनैतिक है, शोधकर्ता भ्रम को नियंत्रित करने और कार्य-कारण प्रभावों का अनुमान लगाने के लिए प्रवृत्ति स्कोर मिलान, साधन चर और अंतर-में-अंतर जैसी तकनीकों का उपयोग करते हैं। जूडिया पर्ल और अन्य द्वारा अग्रणी ढांचा, जिसमें डू-कैलकुलस और कार्य-कारण ग्राफ शामिल हैं, कार्य-कारण धारणाओं को परीक्षण योग्य सांख्यिकीय निहितार्थों में अनुवाद करने के लिए एक औपचारिक विधि प्रदान करता है।
ऐतिहासिक विकास
कार्य-कारण अनुमान का आधुनिक युग 20वीं सदी में सांख्यिकीविदों और महामारी विज्ञानियों के काम से शुरू हुआ। 1923 में, जेरज़ी नेमैन ने यादृच्छिक प्रयोगों के लिए संभावित परिणाम ढांचा पेश किया, जिसे बाद में डोनाल्ड रुबिन ने 1970 के दशक में रुबिन कार्य-कारण मॉडल में विस्तारित किया। यह ढांचा कार्य-कारण प्रभावों को विभिन्न उपचारों के तहत संभावित परिणामों की तुलना के रूप में औपचारिक रूप देता है। 1980 के दशक में, जेम्स रॉबिन्स ने समय-भिन्न उपचारों के साथ अनुदैर्ध्य डेटा से कार्य-कारण प्रभावों का अनुमान लगाने के लिए जी-विधियाँ विकसित कीं। प्रति-तथ्यात्मक दृष्टिकोण ने जूडिया पर्ल के काम के माध्यम से और गति प्राप्त की, जिन्होंने 1990 के दशक में ग्राफिकल मॉडल और कार्य-कारण अनुमान के लिए एक पूर्ण कैलकुलस पेश किया, जिससे शोधकर्ताओं को यह निर्धारित करने में सक्षम बनाया गया कि क्या कार्य-कारण प्रभाव पर्यवेक्षणीय डेटा से पहचाना जा सकता है।
मुख्य अवधारणाएँ और विधियाँ
एक केंद्रीय अवधारणा कार्य-कारण आरेख है, एक निर्देशित चक्रीय ग्राफ (डीएजी) जो इस बारे में धारणाओं को एन्कोड करता है कि कौन से चर किन अन्य को प्रभावित करते हैं। ग्राफिकल मानदंडों, जैसे कि बैक-डोर मानदंड, का उपयोग करके, कोई भी पूर्वाग्रह के बिना कार्य-कारण प्रभाव का अनुमान लगाने के लिए समायोजित करने के लिए चर के सेट की पहचान कर सकता है। संभावित परिणाम ढांचा, इसके विपरीत, असंबद्धता (कोई अमापा भ्रमित करने वाला नहीं) और सकारात्मकता (हर व्यक्ति के पास कोई भी उपचार प्राप्त करने की गैर-शून्य संभावना है) जैसी धारणाओं पर निर्भर करता है। प्रमुख विधियों में प्रवृत्ति स्कोर विधियाँ शामिल हैं, जो उपचारित और अनुपचारित समूहों को संतुलित करती हैं; साधन चर विश्लेषण, जो एक ऐसे चर का उपयोग करता है जो उपचार को प्रभावित करता है लेकिन परिणाम को सीधे नहीं; और प्रतिगमन असंततता डिज़ाइन, जो यादृच्छिकीकरण की नकल करने के लिए कटऑफ का उपयोग करते हैं। प्राकृतिक प्रयोग, जैसे नीति परिवर्तन या प्राकृतिक आपदाएँ, भी अर्ध-प्रयोगात्मक लाभ प्रदान करते हैं।
कृत्रिम बुद्धिमत्ता में अनुप्रयोग
कृत्रिम-बुद्धिमत्ता और मशीन-लर्निंग में, कार्य-कारण अनुमान का उपयोग मॉडल को अधिक मजबूत और कार्रवाई योग्य बनाने के लिए तेजी से किया जा रहा है। सहसंबंधों पर आधारित भविष्यवाणी मॉडल अक्सर वितरण बदलाव के तहत या निर्णय लेने के लिए उपयोग किए जाने पर विफल हो जाते हैं, क्योंकि वे भ्रामक संबंधों को पकड़ सकते हैं। कार्य-कारण विधियों का उद्देश्य अपरिवर्तनीय तंत्र सीखना है जो नए वातावरण में सामान्यीकरण करते हैं। उदाहरण के लिए, गहन-शिक्षण में, शोधकर्ताओं ने प्रति-तथ्यात्मक प्रश्नों के उत्तर देने के लिए कार्य-कारण उत्पादक मॉडल बनाए हैं, जैसे कि एक चिकित्सा छवि एक अलग बीमारी की स्थिति के तहत कैसी दिखेगी। सुदृढीकरण सीखने में, कार्य-कारण अनुमान क्रेडिट असाइनमेंट और ऑफ-पॉलिसी मूल्यांकन में मदद करता है। गूगल-डीपमाइंड और ओपनएआई जैसी कंपनियों ने डेटा में स्वतंत्र कारकों के भिन्नता को अलग करने के लिए कार्य-कारण प्रतिनिधित्व सीखने की खोज की है।
चुनौतियाँ और वर्तमान अनुसंधान
एक प्रमुख चुनौती कार्य-कारण धारणाओं का सत्यापन है। पर्यवेक्षणीय डेटा में, अमापा भ्रम को पूरी तरह से खारिज नहीं किया जा सकता। संवेदनशीलता विश्लेषण यह मापने में मदद करता है कि धारणाओं के उल्लंघन के लिए एक निष्कर्ष कितना मजबूत है। एक और सीमा बड़े-भाषा-मॉडल और ट्रांसफॉर्मर-आधारित प्रणालियों के साथ कार्य-कारण अनुमान का एकीकरण है। ये मॉडल पाठ उत्पन्न कर सकते हैं और कारण-और-प्रभाव संबंधों के बारे में तर्क कर सकते हैं, लेकिन उनके आउटपुट स्वाभाविक रूप से कार्य-कारण नहीं हैं; वे पैटर्न-संबंध मशीनें हैं। शोधकर्ता मॉडल आर्किटेक्चर और प्रशिक्षण में कार्य-कारण बाधाओं को शामिल करने के तरीकों की जांच कर रहे हैं, उदाहरण के लिए सहायक उद्देश्यों का उपयोग करके जो अपरिवर्तनीय प्रतिनिधित्व को प्रोत्साहित करते हैं। जनरेटिव-एआई के उदय ने कार्य-कारण मतिभ्रम के बारे में भी चिंताएँ बढ़ाई हैं, जहाँ मॉडल प्रशंसनीय लेकिन गलत कार्य-कारण कथन उत्पन्न करते हैं।
हाल के विकास और भविष्य की दिशाएँ
2020 के दशक में, कार्य-कारण अनुमान ने मशीन लर्निंग समुदाय से रुचि का एक उछाल देखा है, जिसमें कॉज़लएमएल जैसे समर्पित सम्मेलन और कार्यशालाएँ शामिल हैं। कार्य-कारण खोज पर सक्रिय शोध है, जो डेटा से कार्य-कारण ग्राफ स्वचालित रूप से सीखने का कार्य है, जिसमें मशीन लर्निंग को निष्ठा और चक्रीयता जैसी धारणाओं के साथ जोड़ने वाली विधियों का उपयोग किया जाता है। गहन शिक्षण को संरचनात्मक कार्य-कारण मॉडल के साथ संयोजित करने से सिमुलेशन और स्वास्थ्य देखभाल में आशाजनक परिणाम उत्पन्न हुए हैं। पायथन में कार्य-कारण अनुमान ढांचे (जैसे, डोव्हाई, इकोनएमएल) जैसे उपकरणों ने इन विधियों को चिकित्सकों के लिए अधिक सुलभ बना दिया है। आगे देखते हुए, कार्य-कारण अनुमान विश्वसनीय एआई प्रणालियों के निर्माण में एक महत्वपूर्ण भूमिका निभाने की संभावना है, विशेष रूप से चिकित्सा, वित्त और सार्वजनिक नीति में उच्च-दांव वाले निर्णयों के लिए। जैसे-जैसे कृत्रिम-बुद्धिमत्ता प्रणालियाँ समाज में अधिक एकीकृत होती जाती हैं, "क्या होगा अगर" प्रश्नों का विश्वसनीय रूप से उत्तर देने की क्षमता जवाबदेही और सुरक्षा के लिए महत्वपूर्ण होगी।