共计 1334 个字符，预计需要花费 4 分钟才能阅读完成。
近日，由 DataFun 主办的第三届数据迷信在线峰会隆重举办。聚焦机器学习与数据挖掘、AB 试验、因果推断、数据中台与数字化转型、用户增长与经营、数据迷信最佳实际等 6 大数据迷信主题，数十位国内外一线数据科学家围绕数据迷信前沿技术成绩和利用实践经验深刻分享和交换。九章云极 DataCanvas 公司深度参加峰会，并分享前沿数据科学技术的最新研究进展。
峰会上，九章云极 DataCanvas 公司 AI 架构师何刚发表“AIGC 与因果推断的双向赋能”主题演讲，探讨近期人工智能高热技术 AIGC 和经典技术因果推断的交融翻新可能。
何刚示意，AIGC 在非结构化内容的生成中体现惊艳，对于结构化数据分析目前还处于空白状态，而因果推断则是以后结构化数据分析畛域最受注目的关键技术之一；以 Agent-Based Modeling（ABM 多智能体建模）为桥梁，能够构建 AIGC 与因果推断的链接，并实现 AIGC 与因果推断的双向赋能。
ABM 多智能体建模
ABM 多智能体建模是一种用来模仿具备自主意识的智能体的口头和相互作用的计算模型，具备高仿真性、涌现属性、可解释性等劣势。ABM 的运行模式是在不同的参数组合下进行仿真运行，运行过程中能够输入数据，并将数据存储下来造成数据集，是十分残缺且具备反事实可获取、特色完整性、可控制性等优质个性的数据资产。教训证，从 ABM 零碎中获取的优质数据在因果推断中的因果效应预计、因果发现、评估指标等畛域都具备很好的适用性，冲破因果推断钻研畛域无反事实样本的限度。
ABM 为因果推断提供优质的数据根底
由此可见，ABM 多智能体建模非常适合作为 AI 载体，实现 AIGC 从非结构化数据到结构化数据生成的拓展，补救 AIGC 在结构化数据畛域的短板。
同时，因果推断将减速 ABM 多智能体建模流程，尤其在校准数据和涌现剖析这两个重要流程环节体现优异。在校准数据环节，通过将因果效应预计利用到参数剖析，能够更贴近校准指标、减速仿真的校准过程，放慢推动业务推演和辅助决策；在涌现解释环节，通过组合因果发现算法生成因果图，将因果发现、机器学习、敏感性剖析技术相结合，能够对涌现行为做出更丰盛的解释，进一步加强涌现解释能力。
联合九章云极 DataCanvas 公司近年来在因果推断畛域的实践翻新成绩和 YLearn 因果学习软件这一开源重器的研发教训，何刚提出，拓延 AIGC 产生结构化数据能力，利用 AIGC 生成因果学习模型报告，以及利用因果推断拓展 AIGC 的因果解释能力能够成为将来因果推断与 AIGC 技术深度交融的三个钻研方向。
由九章云极 DataCanvas 公司开源公布的 YLearn 因果学习软件，是寰球开源工具中惟一可能端到端地解决“因果发现、因果量辨认、因果效应预计、反事实推断和策略学习”五大因果学习工作的软件工具。YLearn 冲破了机器学习基于相干关系建模的局限性，挖掘数据中稳固的因果关系，实现在反事实条件下的推断，能够充沛赋能 ABM 多智能体建模，助力 AIGC 涌现能力的开掘。
将来，作为以“硬科技”立身的人工智能根底软件供应商，九章云极 DataCanvas 公司将继续专一 AI 根底能力研发畛域，进一步推动 AIGC 与因果推断等前沿技术的交融翻新，并减速前沿技术的产业化利用，为 AI 热潮奉献一份自主翻新能量。
