AI가 인과 관계를 이해한다는 것은, 단순히 데이타에서 패턴을 인식하는 것을 넘어서 특정 사건이나 조건이 다른 사건에 어떻게 영향을 미치는지 파악함을 의미한다. 우리는 시장에서 인과 모델 AI를 만들 때 문제 해결보다는 보다 정교한 예측에 집중했다.

이런게 왜 필요할까? 쉽게 설명하면, 형사가 사건의 원인을 추적하는 것과 비슷하다고 보면 된다. 가끔 영화나 드라마를 보면, 형사들이 용의자를 두고 범죄 동기 등에 대해 얘기하는 장면들이 있다. 형사들이 단순히 증거만을 수집하는게 아니라 어떤 증거가 사건의 원인과 관련이 있는지 파악하는건 사건의 전말을 밝혀내기 위해 반드시 필요하다. 그래서 베테랑 형사들은 금방 사건 전체를 파악하곤 한다. 사람은 자신의 업무에서 이렇게 일상적으로 인과 추론을 한다.

실제 단순한 개별 업무 분야에서 인과 AI 모델을 설계할 수는 있다.

마케팅을 생각해보자. AI는 고객의 구매 패턴을 분석하여 특정 마케팅 활동이 판매에 어떤 영향을 미치는지 파악할 수 있다. 예를 들어, 특정 광고 캠페인이 판매 증가에 기여했는지 짚어낼 수 있다. 과거 빅데이타 분석으로 마케팅 전문가가 해야 했던 일을 로지스틱 회귀 모델을 사용하여 P(구매|광고) = 1 / (1 + e^-(a + bX)) 형태로 표현할 수 있다. 여기서 X는 광고 노출 횟수, a와 b는 모델 파라미터가 된다. 이미 이런 응용은 업무에 도입되고 있다.

Chris 팀은 이와 유사한 아주 기본적인 방향성 예측 인과 AI 모델을 설계했다. 여전히 개선되어야 하는 부분이 많지만, Chris는 금융 시장에서의 인과 추론의 완전한 적용이 AI의 전체 잠재력을 해제하는 Key라고 믿고 있다.

인과 AI는 사건이나 현상의 원인과 결과를 설명하는 인공 지능이다.

AI는 인간 행동을 모방하는 것과 밀접한 관련이 있다. 머신 러닝은 프로그래밍된 지시 사항 외의 작업 또한 수행하는걸 포함한다. 현재 마이크로소프트와 IBM의 AI 연구원들은 광범위한 산업 분야의 머신 러닝에 인과성을 적용하기 위해 노력하고 있지만 AI의 대부분 작업은 사실 곡선 적합에 기반을 두고 있다.

지난 몇 년간 AI가 엄청난 속도로 발전했음에도, 결과 뒤에 있는 실제 원인을 이해해야 하는 작업들은 아직도 많은 어려움이 있다. 문제는 모델이 훈련 데이타에서 학습하고, 원인과 결과를 이해하는 것은 데이타 자체가 아닌 데이타 수집 과정의 지식에서만 올 수 있기 때문이다.