CAUSAL MACHINE LEARNING – was ist das genau und wofür braucht man es?

Staffel 4· 20. April 2021· 1420

Episoden-Cover: CAUSAL MACHINE LEARNING – was ist das genau und wofür braucht man es?
0:001420
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maksim GreinerCo-Founder & CTO von Erium

Überblick

In dieser Auftaktfolge der vierten Staffel des Erium Podcasts stellen Theo Steininger und Maksim Greiner das Leitthema der neuen Season vor: Causal Machine Learning bzw. Causal Inference. Sie erklären anschaulich, was kausales Schlussfolgern von klassischer korrelationsbasierter Statistik unterscheidet, warum dieser Unterschied in der Praxis entscheidend ist und welche drei Fragentypen mit Causal Inference beantwortet werden können.

Zusammenfassung

Start der Staffel 4 und Rückblick auf bisherige Seasons

Die Folge beginnt mit einer kurzen Einordnung: Staffel 1 war theoriegetrieben, Staffel 2 porträtierte reale Data Scientists, und Staffel 3 begleitete eine fiktive Data Scientistin namens Erika durch ein vollständiges Data-Science-Projekt. Begleitend zur dritten Staffel wurde ein wöchentliches Data Science Meet-up in München ins Leben gerufen, das die Hosts fortführen. Außerdem verabschieden Theo und Maxim den bisherigen Host Jago, der drei Staffeln lang als Werkstudent die kreative Kraft hinter dem Podcast war und sich nun seiner Masterarbeit widmet.

Was ist Causal Inference – und warum spielt es eine Rolle?

Causal Inference, also kausales Schlussfolgern, beschäftigt sich damit, nicht nur Zusammenhänge zu beobachten, sondern die tatsächlichen Wirkmechanismen hinter diesen Zusammenhängen zu verstehen. Maxim erklärt, dass Erium als Firma immer schon versucht hat, Prozesse nicht nur zu verstehen, sondern aktiv zu optimieren – also in Systeme einzugreifen. Genau dieses Eingreifen, die sogenannte Intervention, ist der Kernpunkt, bei dem rein korrelationsbasierte Analysen in die Irre führen können. Theo beschreibt seinen eigenen 'Augenöffner'-Moment: Sobald man aus einer Analyse eine Handlung ableiten will, befindet man sich im Bereich der Intervention – und da reicht Korrelation nicht mehr aus.

Das Pferde-Beispiel: Korrelation vs. Kausalität

Als zentrales Anschauungsbeispiel dient die Beobachtung, dass Pferdebesitzer eine überdurchschnittlich lange Lebenserwartung haben. Auf Basis dieser Korrelation könnte man verleitet sein zu glauben, ein geschenktes Pferd verlängere das Leben. Die Hosts arbeiten drei mögliche Kausalstrukturen heraus: Das Pferd selbst könnte (z.B. durch Stressreduktion) die Lebenserwartung erhöhen; eine lange Lebensdauer könnte irgendwann dazu führen, sich ein Pferd anzuschaffen; oder – am wahrscheinlichsten – ein gemeinsamer Faktor wie Wohlstand verursacht sowohl den Pferdebesitz als auch die höhere Lebenserwartung. Der entscheidende Punkt: Für reine Vorhersagen ist die Kausalrichtung oft egal, für eine geplante Intervention aber nicht.

Menschliche Tendenz zum kausalen Überinterpretieren

Die Hosts diskutieren, dass Menschen von Natur aus dazu neigen, Kausalitäten zu 'overfittern' – also aus Beobachtungen schnell kausale Erklärungen zu konstruieren, selbst wenn keine vorhanden sind. Theo zitiert eine Studie, in der Probanden in einem Raum herausfinden sollten, wie sie ein Lämpchen zum Leuchten bringen – obwohl dahinter ein Zufallsgenerator steckte. Die Teilnehmer entwickelten dennoch komplexe 'Rituale' und glaubten auch nach der Auflösung daran. Statistik liefert Korrelationen, der Mensch interpretiert sie kausal: Diese Kombination ist laut Maxim potenziell gefährlich und macht formale Methoden des Causal Reasoning so wertvoll.

Die drei zentralen Fragetypen von Causal Inference

Maxim strukturiert die Anwendungsfelder von Causal Inference in drei Kategorien. Erstens: 'Was wäre, wenn?' – also Interventionsfragen: Was passiert, wenn ich aktiv in ein System eingreife? Zweitens: 'Was wäre gewesen, wenn?' – kontrafaktische Fragen für bereits eingetretene Ereignisse, z.B. ob jemand auch ohne Rauchen Lungenkrebs bekommen hätte. Drittens: die Klärung und Quantifizierung von Kausalitäten selbst – also: Welche Faktoren sind überhaupt ursächlich für ein bestimmtes Ereignis, und wie stark ist ihr Einfluss? Alle drei Fragentypen gehen über den Rahmen klassischer Statistik hinaus, erfordern aber keine vollständig neue Mathematik.

Ausblick: Was kommt in den nächsten Folgen?

Die Hosts kündigen an, in kommenden Episoden tiefer in das Thema einzusteigen – mit realistischeren und weniger offensichtlichen Use Cases als dem Pferde-Beispiel. Ein besonderes Anliegen ist es, die Fachbegriffe des Feldes (wie 'Counterfactual' oder 'Do-Calculus') zu entzaubern, damit Hörerinnen und Hörer souverän mitreden und sich nicht durch Buzzwords beeindrucken lassen. Zudem wird das wöchentliche Data Science Meet-up in München als ergänzendes Format empfohlen, das jeden Dienstag von 16 bis 17 Uhr stattfindet.

Kernaussagen

  • Causal Inference geht über klassische Korrelationsanalyse hinaus: Es geht darum, die tatsächlichen Wirkmechanismen zu verstehen, nicht nur statistische Zusammenhänge zu beschreiben.
  • Sobald man aus einer Datenanalyse eine Handlung oder Intervention ableiten will, ist Kausalität entscheidend – reine Korrelation kann dann systematisch in die Irre führen.
  • Der Mensch neigt dazu, Kausalitäten aus Beobachtungen zu konstruieren, auch wenn keine vorhanden sind – formale Kausalmodelle helfen, diesen Bias zu kontrollieren.
  • Causal Inference unterscheidet drei Fragetypen: Interventionsfragen ('Was wäre, wenn?'), kontrafaktische Fragen ('Was wäre gewesen, wenn?') und die Quantifizierung von Kausalbeziehungen.
  • Die Mathematik hinter Causal Inference ist keine vollständige Neuerung, sondern eine Erweiterung bekannter statistischer Methoden – ergänzt um Graphentheorie und klare Interpretationsregeln.
  • Staffel 4 des Erium Podcasts widmet sich vollständig dem Thema Causal Machine Learning und verspricht praxisnahe Use Cases jenseits der üblichen Lehrbuchbeispiele.

Fazit

Causal Machine Learning ist kein Modebegriff, sondern eine notwendige Erweiterung des Data-Science-Werkzeugkastens – besonders dann, wenn Analysen nicht nur beschreiben, sondern als Grundlage für Entscheidungen und Eingriffe dienen sollen. Theo und Maxim machen in dieser Einführungsfolge deutlich, dass das Thema zugänglicher ist als sein Ruf vermuten lässt, und liefern mit dem Pferde-Beispiel eine anschauliche Illustration der Kernidee.

Für Data Scientists und ML-Praktizierende

Wer bereits mit Statistik und Machine Learning vertraut ist, wird Causal Inference als natürliche Erweiterung erleben. Die Folge gibt einen klaren Überblick, welche Fragestellungen damit neu adressiert werden können.

Für Führungskräfte und Business-Entscheider

Wer datenbasierte Entscheidungen trifft und Handlungsempfehlungen aus Analysen ableitet, sollte den Unterschied zwischen Korrelation und Kausalität kennen – diese Folge erklärt ihn praxisnah und ohne unnötige Fachkomplexität.

Volltranskript anzeigen

Speaker0: Alright okay genau jetzt dürfte aufnehmen jetzt sehe ich auch es ist Season 4 Episode one dot one ich dachte so Episode 11 nee

Speaker1: nee 1 Punkt 1, genau, weil erster Take. Aber Technical Kelly ist das jetzt schon der 2. Take, egal. Na, wir zählen natürlich von 0 an.

Speaker0: Ach so. Ja, aber komm on, wo sind wir denn hier? Machen wir etwa Matlab? Und erzählen die noch von 0, ich weiß von 1. Auf jeden

Speaker1: Fall. In Mathematiker wird aber 1 gezählt. Anyways. Gut, super.

Speaker2: Ihr hört The IRIUM Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker1: Herzlich willkommen zu 1 neuen Folge von be-e-e-e-Podcast. Mein Name ist Theo Steininger und mir remote. Gegenüber sitzt mein geschätzter Kollege Maxim Greiner. Hi, Max. Hallo. Gleich zu Beginn haben wir eine gute und eine schlechte Nachricht für euch. Die gute zuerst. Heute geht es endlich mit der vierten Staffel von Deereom Podcast los. Wir haben exzellenten Content für euch vorbereitet und auch wieder einige superstarke Gäste im petto. Dazu aber später mehr. Die schlechte Nachricht ist allerdings, dass offensichtlicherweise unser bisheriger Host, der Jago, nicht mehr mit am Start ist. Er war jetzt 3 Staffeln lang die entscheidende, treibende und kreative Kraft hinterm, die ihrem Podcast. Und was aber viele wahrscheinlich gar nicht so aktiv und richtig mitgekriegt haben, Er hat das alles in Form von der Werkstudentendentätigkeit bei uns hingekriegt. Und nachdem jetzt die Masterarbeit bei ihm ansteht, fielen die Entscheidungen dann doch zugunsten der Uni, kann man sich so was vorstellen.

Speaker0: Ja, unglaublich.

Speaker1: Na ja, an der Stelle auf jeden Fall Jaguar, nochmals vielen Dank für die tolle gemeinsame Zeit und wir wünschen dir ganz viel Erfolg mit der Masterarbeit und hoffentlich und vielleicht sehen wir uns in der Staffel 5 wieder. Apropos Staffeln, für alle, die jetzt neu im Podcast mit dabei sind, die grade erst frisch reinhören, wenn ihr die bisherigen durch die Folgen des Podcasts durchschaut, dann wird euch eine Gliederung auffallen, die folgendermaßen gestrickt ist. Ich erklär das ganz kurz, damit ihr euch dazu rechtfindet. Nämlich in der Staffel 1 haben wir vor allem Theorie behandelt. In Staffel 2 haben wir dann eine 180 Grad Wende da eingelegt, haben die Theorie Theorie sein lassen und haben Data Scientist interviewt und haben dort ganz klar den Fokus auf deren Persönlichkeiten gelegt, möglichst breites Bild auch zu zeichnen, was gibt's für Persönlichkeitsprofile da draußen bei den Data Scientisten? Wie schauen die verschiedenen Berufe aus? Und in Staffel 3, die wir jetzt erst kürzlich eben durchgezogen haben, da haben wir uns eine fiktive Data Scientistin, nämlich die Erika angeguckt und die durch ein Data Science Data Science Projekt begleitet. Und da jeweils bei den jeweiligen Stationen externe Spezialisten mit dazuholt, die wir dann genau zu dem Thema, zum Beispiel Ergebnispräsentation, Visualisierung mit eingebunden haben, befragt haben. Und da haben wir uns gedacht gehabt, hey, wie cool wär's eigentlich, wenn man mit diesen Experten dann noch in den Austausch kommen könnte und haben in diesem Zuge auch ein Meet-up gegründet. Das ist das Data Science Meet-up, das ihr auf Meet-up dot com mal ganz einfach findet, wenn ihr nach Data Science in München sucht. Und dieses Meet-up führen wir fort, ja? Also auch wenn jetzt die 3. Staffel abgeschlossen ist und wir jetzt nicht mehr in jeder folgenden externen Gast mit drin haben, so haben wir doch jeden Dienstag nach wie vor unseren Meet-up mit 'nem externen Gast. Und da an der Stelle gleich mal die Einladung, wer Bock hat, noch mehr sich reinzuziehen als nur diesen Podcast, der darf auch gerne jeden Dienstag 16 Uhr mit ins E-Mail-up reinkommen. Da freuen wir uns über jeden, der da mal reinhören möchte und auch 'n guten Beitrag

Speaker0: beisteuern möchte. Auf jeden Fall, ja.

Speaker1: Jo, und damit zur Frage, womit wollen wir uns in der Staffel 4 beschäftigen? Wir haben da sehr stark noch mal die bisherigen Folgen analysiert und uns überlegt, wo die Reise hingehen könnte. Und das Leitthema der vierten Staffel ist Castle and Feerence, sprich, dem kausalen Schlussfolgern in Abgrenzung und im Gegensatz zu korrelationsbasierten Analysen. Und was eigentlich Castle and Feerence ist, das vielleicht mal als einführende Fragestellung, ja? Weil ich erzähl nachher vielleicht eine kleine Anekdote dazu, nicht jedem ist vielleicht instantern klar, was überhaupt ist. Maxim, magst Du das vielleicht ganz kurz einordnen, was man da drunter versteht?

Speaker0: Ja gern, also bei mir war's vor einigen Jahren auch nicht klar. Und manchmal hat man's vielleicht aus Versehen gemacht, ohne zu wissen, was man tut. Auch wir als Firma, wir haben eigentlich früher die ganzen kausalen Fragestellungen, wie die meisten, die sich mit dem Thema Statistik beschäftigen, ausgeblendet. Und aber eigentlich haben wir eigentlich haben wir Calls and Furious machen wollen. Warum? Wir haben uns damit beschäftigt, Prozesse oder nach wie vor beschäftigen wir uns damit, Prozesse zu optimieren. Das heißt, ein bestehendes System verstehen, ja? Das ist der Data Science, dem Machine Learning Teil, aber dann aktiv in das System eingreifen. Und eingreifen, also die Intervention, das ist schon son total zentrales Thema von. Das heißt, wir haben eigentlich schon irgendwie immer danach gesucht, ohne es zu wissen eigentlich.

Speaker1: Ja, das war für mich auch absolut der augenöffnende Moment. Als ich gemerkt hab, okay, sobald's drum geht, dass ich eine Handlung aus meiner Analyse ableiten möchte, bin ich in dem eben Fachterminus bei der Intervention, bei der Intervention. Und dann kann ich mich von 'ner rein korrelationsbasierten Analyse total in die Irre führen lassen. Genau. Und ein 1 Anmerkung, die sich auch noch mehr aufs bezieht. Und zwar haben wir am siebenundzwanzigsten April, genau, haben wir die Afghke Scouten mit im und da geht's dann die Frage der Analytics Translation, wie man die anpackt. Und zwar das Themengebiet, wie wandel ich 'n Business Problem, 'n Data Science Problem und dann wiederum den Data Science Output zurück in den Business Outcome. Und warum sag ich das? Eben, weil es eben dieser zentrale Punkt war, wo man merkt, dass das Data Science erwachsen wird. Es ist nicht mehr nur 'n Spielfeld, wo's drum geht, okay, machen wir 'n paar schöne Plots mit 'n paar Korrelationen. Sondern die Erwartungshaltung ist ganz klar mittlerweile, dass auch das Management auf Basis der Analysen und der Data Science Handlungen ableiten kann. Und dazu braucht's dann eben in vielen Cases und wie man das Ganze dann auch noch richtig verpackt, eben die. Also wen das Thema auch von der Managementperspektive her mehr interessiert, siebenundzwanzigster April, Dienstag 16 Uhr mit der Afghke.

Speaker0: So, Werbeblock wieder vorbei. Genau. Aber spätestens nach dem Meet-up sollte euch klar sein, dass Data Science wechselwirkt mit der Welt, ja? Wenn ich einfach nur Vorhersagen mache, da passiert ja erst mal nichts mit der Welt. Aber wenn ich die Vorhersagen nutze, daraus Handlungsempfehlungen abzuleiten, dann verändere ich mein System und da sind wir wieder bei diesen Interventionen und vielleicht geben wir mal einfach ein Beispiel hier oder? Perfekt genau. Was überhaupt das damit auf sich hat und zwar also Korrelation ja fangen wir mit 'ner Korrelation an also Korrelation Pferdebesitzer haben eine überdurchschnittlich lange Lebenserwartung okay Korrelation fertig. Statistik fertig. Könnte ich jetzt also machen. Ich kann sagen, okay, sag mir, ob Du ein Pferd hast und ich sag dir deine Lebenserwartung vor oder sag mir deine Lebenserwartung, wenn Du sie mir geben kannst und ich sag voraus, ob Du 'n Pferd hast. Eine Intervention wäre jetzt, ich verlängere oder verkürze deine Lebenserwartung oder ich schenke dir ein Pferd oder nehme dir dein Pferd weg. Jetzt sagt uns ja der gesunde Menschenverstand, okay, wenn morgen ein Auftragskiller zu mir kommt und mich erschießt, dann, na ja, wir sind nicht mehr im Wilden Westen, dann wird da wahrscheinlich nicht mein Pferd mitnehmen, außer dass ich keins hab, okay. Und umgekehrt, wenn ich mir jetzt heute ein Pferd kaufe, also wobei Hypothese, werd ich nicht einfach länger leben. Möglicherweise sagen wir mal so, na ja okay, das Pferd ist so beruhigend, das lässt dich länger leben. Aber wenn Du jetzt mal von diesem Fall ausklammern, was ist hier wahrscheinlich? Wahrscheinlich ist, es gibt eine gemeinsame Ursache für Pferd und Lebenserwartung, nämlich mein Lebensstandard, mein Geld, den das Leben, was ich mir leisten kann. Und für Beobachtungen ist das relativ egal, ja? Also wenn ich vorhersagen möchte, dann ist das egal, bedingt a b, bedingt b a oder wird beides von c bedingt. Ich kann immer eine valide statistische Vorhersage von einem fürs andere machen. Aber wenn ich eingreifen will, wenn ich jetzt vor der Frage stelle vor der Frage stehe, schenk ich denjenigen ein Pferd, weil ich dann glaube, dann nimmt er länger, dann ist das sehr wichtig.

Speaker1: Okay, aber dann dann lass uns noch mal zu diesem Beispiel diese diese Fälle auseinander klamüsern, okay? Mhm. Also das 1. Wär das Naheliegende oder das das das, was man vermutet, okay, Pferdebesitzer haben überdurchschnittliche Lebenserwartung. Ich les die Bild Schlagzeile und denke, ah okay, wie hast Du das so genannt? Das Pferd beruhigt mich, dadurch sinkt vielleicht mein Stres Spiegel und ich leb dadurch länger, oder? Das wär ja quasi Pferd verursacht lange Lebenserwartung.

Speaker0: Genau.

Speaker1: Case 1. Okay. Und andersrum, das wär aber dann schon 'n bissel verzwickter, oder? Nämlich quasi jeder Mensch hat sone jährliche Wahrscheinlichkeit, dass er sich 'n Pferd kauft. Das heißt, wenn ich nur lang genug lebe, dann steigt die Wahrscheinlichkeit, dass ich irgendwann zu 'nem Pferd kommen werd, oder? Und ich geb's dann nie wieder her. Ja, genau. Das wär so random Walk mit mit mit Login Effekt. Genau. Ja, okay. Und und quasi dann dritter 3. Case, eben was dann hier wirklich zugrunde liegt. Okay, wer sich 'n Pferd leisten kann, kann sich auch eine private Krankenversicherung leisten. So und wird vermutlich nicht so hart arbeiten als als eben nicht. Krass. Okay.

Speaker0: Genau. Und in dem Moment, in dem ich eine Intervention plane Mhm. Ist es einfach wichtig, dass ich weiß, was ist die Richtung der Wirkmechanismen? Ich denke jedem von euch, der zuhört wird klar sein, wenn ich am Ende des Wirkmechanismus etwas verändere, werd ich dadurch nicht den Anfang verändern. Also nehmen wir mal an ein Es wäre dieses Beispiel, wie Theo gesagt hat, je länger ich liebe, desto höher die Wahrscheinlichkeit, dass ich mir 'n Pferd wie Theo gesagt hat, je länger ich lebe, desto höher die Wahrscheinlichkeit, dass ich mir 'n Pferd kaufe. Einfach, weil irgendwann kommt jeder zu dem Gedanken. Mhm. Ja? Wenn ich dann jemandem Pferd schenke, dann wird er dadurch nicht älter. Aber wenn ich wenn's umgekehrt gewesen wäre, wenn ich wenn die wenn der Wirkmechanismus wär, das Pferd beruhigt dich und macht deinen Blutdruck geringer oder whatever und lässt dich dadurch länger leben, dann ist das geschenkte Pferd durchaus ein Lebensverlängerer. Deswegen sind diese Wirkmechanismen, diese Kausalitäten so wichtig.

Speaker1: Aber weißt, was ich da irgendwie so so so so irreführend finde. Und zwar, der Mensch funktioniert ja manchmal so, dass er die kausalen Zusammenhänge aufn Kopf stellt. Was wär 'n gutes Beispiel im Sinne von, wenn ich nur lang genug gäne, dann werd ich irgendwann müde? Oder kennst Du die Studien, dass wenn man zwanghaft lacht, dass man dann tatsächlich auch glücklicher wird und Ich wüsste nicht für den Joker denken. Ja, ja, nee, okay. Aber ich find, das das spielt einem irgendwie einen Streich, also weil der Mensch ja teilweise so so so krass genau verkehrt rum funktioniert, ja. Und und und dann auch

Speaker0: nicht suchen. Ja, wir sind ja nach Kausalitäten. Wir sind ja Wesen, die mit der Welt interagieren und deswegen sind uns Kausalitäten ganz wichtig. Und wir tendieren wahrscheinlich dazu, in diesem Sinne zu overfitten, also eine Kausalität halt schnell als zumindest Working Assumption zu verinnerlichen.

Speaker1: Ja. Dabei gibt's auch eine coole Studie. Ich weiß nicht, ob Du von der gehört hast. Und zwar hat man mal Menschen eingesperrt in einen Raum, also eingesperrt, ja, die hat man in den Raum gesteckt und denen die Aufgabe gegeben. Sie sollen rausfinden, was sie tun müssen, damit 'n Licht anfängt zu leuchten an dem an dem Screen. Und witzigerweise war es so, dass hinter dem, wann das Lämpchen leuchtet und wann nicht, war 'n Zufallsgenerator auch angeschaltet. Und die hatten aber Ja, ja, genau. Und die hatten aber eine Tastatur vor sich und so Knöpfe und Hebel. Und die Leute, die sind dann am Ende mit so irrwitzigen Kombinationen rausgegangen. Die haben gesagt, okay, wenn ich, weil man hatte denen auch gesagt, es müssen nicht nur die Knöpfe sein, es kann alles sein, wenn ich mich zweimal mich selbst drehe, einmal in die Luft hopse, dreimal den Knopf drücke und dann den Hebel hin und her bewege, dann leuchtet das Licht. Und das ging dann so weit, sogar als man aufgelöst hatte, dass das nur 'n Zufallszahlengenerator war, konnten's manche immer noch nicht glauben, dass da keine Logik dahintersteckt. Also das ist genau dieses Overfitten, das Du grad erwähnt hast. Genau. Du suchst zwanghaft

Speaker0: danach. Genau. Und wir haben da einfach einen Konflikt. Die Statistik, die reine Statistik kümmert sich nicht darum. Der Mensch sucht fast schon lächzend nach der Kausalität. Das ist halt eine gefährliche Mischung, ja. Wir haben das eine, wenn ich wenn ich die Statistik benutze, dann hab ich etwas, was mir dann die Hinweise, die Korrelation liefert. Und ich als Mensch tendiere dazu, die kausal überzuinterpretieren. Mhm. Und da ist einfach eine Lücke. Ich brauch eigentlich etwas, was meine menschliche Tendenz, das überzubewerten, auf den Boden der Tatsachen holt und das Ganze ganz nüchtern, wie wir's von der Mathematik gewohnt sind, behandeln kann. Und genau das bietet eben.

Speaker1: Okay, ja. Jetzt hast Du die Mathematik angesprochen. Speaking of Witch. In den nächsten Folgen soll's ja auch darum gehen, welche Fragestellungen man damit beantworten kann, beziehungsweise wie einem eben die Mathematik der Castle Inference dabei helfen kann, sich nicht von irgend 'nem Bauchgefühl fehlleiten zu lassen. Kannst Du da 'n bisschen genauer drauf eingehen, Maxim, eben was man mit Castle Machine Learning alles machen kann? Also high level gesehen?

Speaker0: Ja, also erst mal das Wichtigste ist vielleicht jeder, der Machine Learning oder Statistik oder Data Science kennt, für den wird das gar nicht so weit weg sein, ja? Das ist kein Magical Zeug von, was irgendwie von Engeln erfunden wurde oder sonst was. Und es ist also wirklich keine Magie im Sinne, man kann damit jetzt nicht fundamental was vollkommen anderes machen als mit herkömmlicher Statistik und Machine Learning. Es erweitert einfach nur den Horizont und bietet Formalismen und Guidelines, wie man die Dinge interpretiert und wie man gewisse Fragestellungen aufsetzt. Und in diesem Sinne ist die Mathematik, die man können muss, ist nicht anders als die für die normale Statistik. Und es gibt einfach 'n paar Grundregeln und 'n bisschen grafisches Denken. Also Graftheorie mein ich jetzt nicht Computerspiele, sondern Kanten und Knoten. Aha. Und wenn man das bisschen verinnerlicht hat, dann ist das auch abgefrühstückt.

Speaker1: Okay, Maxim. Und was hilft mir das?

Speaker0: Ja, die übliche Frage, how ist das?

Speaker1: Genau.

Speaker0: Es gibt letztendlich, ich würd sagen, 3 Arten von Fragen, die ich jetzt hiermit angreifen kann, die im normalen Statistikkontext schwierig zu beantworten sind. Das eine ist, was wäre wenn mit dem wenn als Intervention? Also was passiert, wenn ich x tue? Ich beobachte nicht nur, sondern ich tue etwas. Ich interveniere. Das ist dann dieser berühmte Du Culture heißt der in der, was einfach letztendlich bisschen eine kraft theoretische Betrachtung ist, mit der man dann sein seine Fragestellung auf Basis der Statistik dann richtig beantworten kann. Das heißt, der Unterschied aber ist zwischen nicht, ich habe einfach nur gesehen, ne. Ich hab nicht einfach nur gesehen, dass jemand 'n Pferd hat, sondern nein, ich habe ihm ein Pferd geschenkt Mhm. Aktiv. Mhm. Und und das zu unterscheiden, ist einfach wichtig für Interventionen. Das sind die was wäre wenn vor allem. 2. Kategorie, was wäre gewesen wenn, also das wird gern als so bezeichnet. Es ist schon mal was passiert, ja? Jemand hat Lungenkrebs bekommen und hat geraucht. Die Frage, was wäre gewesen, wenn der Igel nicht geraucht hätte? Hätte er dann trotzdem Lungenkrebs bekommen beziehungsweise mit welcher Wahrscheinlichkeit?

Speaker1: Okay, der Unterschied ist, dass genau die Person betroffen Genau. Ich möchte quasi alles andere konstant halten. Okay. Mhm. Und

Speaker0: nur ein Ereignis in der Vergangenheit hypothetisch verändern. Und die 3. Art von Fragestellungen ist sozusagen, die Kausalitäten überhaupt zu klären oder die zu und auch zu quantifizieren. Also was ist verantwortlich? Was sind die Einflussfaktoren für Ereignis x? Also einfach rausfinden, wovon hängt's denn ab? Und dabei sowohl quasi beeinflusst a b oder beeinflusst b a und dann eben auch wie stark? Das sind so die 3 grundlegenden Fragen, die ich mal sagen würde, die mit Kausal Inference zu behandeln sind und die den, ja, die den Umfang der normalen Statistik etwas verlassen.

Speaker1: Cool, ja? Ich denk, das ist echt eine gute Zusammenfassung. In den nächsten Folgen werden wir uns da ran machen, da mal ein bissel tiefer einzusteigen und die Brücke zu schlagen in die Anwendung einerseits. Also wenn ihr das jetzt hört mit was wäre gewesen, was ist verantwortlich für Ereignis x y, ja, dann ist man ja von 'nem echten Use Case nicht weit weg. Und ja, wenn ihr als Complexity Maisters da Interesse drin habt, dann noch genau einzusteigen, der Maxim und ich, wir werden uns größte Mühe geben, das zu illustrieren. Und wir werden Beispiele bringen, die nicht so offensichtlich sind wie dieses Lebenserwartungspferd Beispiel. Ja, das ist immer ganz nett, sich so was reinzuziehen oder sich an der vermeintlichen Fehlinterpretation der Korrelation zwischen Speiseeis und Sonnenbränden zu erfreuen. Das ist ganz nett, aber der Hase liegt im Pfeffer, da bei denen Use Cases, bei denen man eben nicht so offensichtlicherweise draufkommt. Und da haben wir einige auf Lager, die werden wir diskutieren. Und ein unmittelbarer Punkt, den wir uns vorgenommen haben, konkret für nächstes Mal, Das ist Folgendes, nämlich ihr habt's ja schon gemerkt, es gibt son paar Fachbegriffe wie Counterfactual, Stu Canculus und uns war einfach wichtig, das ein bissel auch zu entzaubern. Denn üblicherweise ist ja die Strategie, wenn jemand nur so mittel viel Ahnung hat, dann wirft er wirft er mit Fachbegriffen sich, ja irgendwie vermeintlich den den Schein von Fachkompetenz zu erzeugen. Genau. Und am Ende hinter den Begriffen steckt gar nicht so viel Kompliziertes und deswegen wollen wir die einmal klarstellen, aufdecken, was steckt wirklich dahinter, dass einfach das Fachvokabular da klar ist, dass ihr klar mitreden könnt, aber damit's auch zu keinen Missverständnissen kommt, wenn wir in den nächsten Folgen dann auf die Details einsteigen. Und dass ihr euch nicht bambuseln lässt, wenn mal jemand schön

Speaker0: hier auf die Bullshit Bingo Taste drückt.

Speaker1: Yes, absolut. Im Idealfall kann man jemanden auflaufen lassen. Das macht immer Spaß. Alright. In diesem Sinne, Maxim, gibt's von dir, von deiner Seite noch Kommentare, Ergänzungen?

Speaker0: Ja, nur bleibt dran. Es ist einfacher, als ihr denkt. Das.

Speaker1: Stimmt. Das war eine Erkenntnis, die war für mich auch sehr, sehr ja, auch schön zu sehen. Es ist gar nicht so kompliziert. Und wer's nicht aushalten kann bis nächsten Dienstag, bis wir die nächste Folge online stellen, lasst's uns im treffen jeden Dienstag 16 bis 17 Uhr. Auf Meet-up dot com findet ihr uns ganz einfach Data Science in München suchen. Dann habt es, da steigt's in die Gruppe ein, kommt's mit in das Meet-up. Und ansonsten hören wir uns nächsten Dienstag mit 'ner neuen Folge von die Ihrem Podcast.

Speaker2: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

Mehr Folgen aus Staffel 4 →