인과형 AI (Causal AI): '무엇'을 넘어선 '왜'를 규명하다

인과 AI: '무엇’을 넘어선 '이유’를 밝히다

AI의 다음 지평을 열다: 인과 관계의 이해

빠르게 발전하는 인공지능(AI) 분야에서 개발자들은 결과를 정확하게 예측하고, 데이터를 분류하며, 패턴을 식별하는 예측 모델(predictive models)을 구축하는 데 놀라운 성과를 달성했습니다. 제품 추천부터 사기 탐지에 이르기까지, 이러한 시스템들은 무엇이 일어날지 알려줌으로써 산업을 변화시켰습니다. 하지만, 여전히 중요한 간극이 남아있습니다. 바로 이러한 결과가 왜 발생하는지에 대한 이해입니다. 바로 이 지점에서 AI 기반 인과 추론(Causal Inference in AI)이 판도를 바꾸는 역할을 합니다. 인과 추론은 단순한 상관관계(correlation)를 넘어선 진정한 인과 관계(cause-and-effect relationships)를 밝혀내는 학문이며, 진정으로 지능적이고, 견고하며, 설명 가능한 AI 시스템을 구축하는 데 필요한 핵심 통찰력을 제공합니다.

Photo by GuerrillaBuzz on Unsplash

개발자들에게 인과 추론을 이해하는 것은 단순히 학술적인 활동이 아닙니다. 이는 AI 애플리케이션을 설계하고, 최적화하며, 디버깅하는 방식의 근본적인 변화를 의미합니다. 이를 통해 우리는 중요한 질문에 답할 수 있게 됩니다. “내 기능 업데이트가 사용자 참여(user engagement)를 진정으로 증가시켰는가?” 또는 “이러한 관찰된 모델 편향(model bias)이 특정 데이터 수집 방법으로 인해 발생한 것인가, 아니면 단순히 상관관계만 있는 것인가?” '왜’에 집중함으로써 우리는 더 효과적인 개입(interventions)을 설계하고, 예측 가능한 영향(impacts)을 가진 기능을 개발하며, 문제의 근본 원인(root)을 디버깅하여 더 신뢰성 있고 윤리적인 AI 솔루션을 만들 수 있습니다. 이 글은 여러분이 AI 개발 워크플로우에 인과적 사고(causal thinking)를 통합하기 시작하는 데 필요한 실용적인 지식과 도구를 제공하여, 단순히 예측하는 것을 넘어 진정으로 설명하고 영향을 미치는 시스템을 구축하는 능력을 향상시킬 것입니다.

인과 AI 여정 시작하기: 개발자를 위한 첫걸음

통계학과 계량경제학(econometrics)에 뿌리를 둔 인과 추론(Causal Inference)은 처음에는 어렵게 느껴질 수 있습니다. 하지만 데이터와 머신러닝에 익숙한 개발자들에게 핵심 개념들은 놀라울 정도로 접근하기 쉽습니다. 여러분의 여정은 "무엇이 무엇을 예측하는가?"에서 "무엇이 무엇을 유발하는가?"라는 질문으로 사고방식을 전환하는 것에서 시작됩니다.

시작을 위한 실용적인 단계별 가이드는 다음과 같습니다.

1. 인과적 질문(Causal Question)을 설정하세요: 이것이 가장 기본적인 단계입니다. "사용자가 이 광고를 클릭할 것인가?"와 같은 예측 질문 대신, 인과적 질문을 던져보세요. “이 특정 광고 디자인을 보여주는 것이 기존 디자인에 비해 클릭률(click-through rate)을 증가시키는가?” 이러한 명확성은 여러분의 목표를 정의합니다.

2. "처치(Treatment)"와 "결과(Outcome)"를 식별하세요:

   • 처치 (Treatment 또는 개입 Intervention):이것은 여러분이 원인이라고 믿는 변수입니다. 광고 예시에서는 "새로운 광고 디자인을 보여주는 것"이 처치입니다.
   • 결과 (Outcome):이것은 여러분이 효과라고 믿는 변수입니다. 여기서는 "클릭률(click-through rate)"입니다.

3. 교란 변수(Confounders)를 인식하세요: 이 단계는 가장 중요하고 어려운 단계라고 할 수 있습니다. 교란 변수(confounder)는 처치(treatment)와 결과(outcome) 모두에 영향을 미쳐, 인과적이지 않은 가짜 상관관계(spurious correlation)를 만들어내는 변수입니다.

   • 예시: 새로운 광고 디자인을 젊은 사용자들에게만 선보였고, 더 높은 클릭률을 관찰했다고 가정해 봅시다. 이것이 광고 디자인 때문일까요, 아니면 젊은 사용자들이 디자인과 관계없이 일반적으로 광고를 더 많이 클릭하는 경향이 있기 때문일까요? 여기서 사용자 연령(user age)은 잠재적인 교란 변수(confounder)입니다. 이는 새로운 광고를 누가 보게 될지(처치 할당)와 클릭할 가능성(결과) 모두에 영향을 미치기 때문입니다. 교란 변수를 고려하지 못하면 잘못된 인과적 결론(causal conclusions)으로 이어집니다.

4. 인과 다이어그램(DAG - Directed Acyclic Graph)을 그리세요:개발자들에게 DAG는 인과 모델(causal model)의 건축 설계도와 같습니다. 이는 변수들이 어떻게 상호작용하는지에 대한 여러분의 가정을 시각적으로 나타냅니다.

   • 노드(Nodes)는 변수(처치, 결과, 교란 변수, 매개 변수(mediators), 공통 결과 변수(colliders))를 나타냅니다.
   • 화살표(Arrows)는 가정된 인과 관계(causal relationships)를 나타냅니다.
   • 기본 규칙: A에서 B로 가는 화살표는 A가 B를 유발한다는 것을 의미합니다.
   • 광고 시나리오에 대한 DAG 예시:

     사용자 연령 ---> 새 광고 디자인
     사용자 연령 ---> 클릭률
     새 광고 디자인 ---> 클릭률
     

     이 DAG는 사용자 연령이 새 광고 디자인과 클릭률 사이의 관계를 교란시키고 있음을 명확히 보여줍니다.

5. 식별 전략(Identification Strategy)을 선택하세요: 이 단계는 여러분의 데이터와 DAG를 바탕으로 인과 효과(causal effect)를 어떻게 분리해낼 수 있을지 파악하는 것입니다.

   • 무작위 대조군 시험 (Randomized Controlled Trials, RCTs/A/B 테스트):표준적인 방법(gold standard)입니다. 사용자들을 무작위로 새 광고 또는 기존 광고를 보도록 할당할 수 있다면, 평균적으로 모든 교란 변수(confounders)가 그룹 간에 균형을 이루게 되어 클릭률(CTR)의 차이를 광고 디자인에 직접적으로 귀속시키기 더 쉬워집니다. 이는 웹 개발 및 제품 실험에서 흔히 사용됩니다.
   • 관찰 연구 방법 (Observational Methods): RCT를 수행하기 어려운 경우(예: 윤리적 문제, 과거 데이터)에는 통계적 기법을 사용하여 무작위화를 모방합니다. 여기에는 식별된 교란 변수를 통제하는 것이 포함됩니다. 기법은 다음과 같습니다:
     • 회귀 조정 (Regression Adjustment):단순히 교란 변수를 회귀 모델(regression model)에 제어 변수(control variables)로 추가하는 것입니다.
     • 성향 점수 매칭/가중치 (Propensity Score Matching/Weighting):무작위화가 균형을 달성하는 방식과 유사하게, 교란 변수(confounders)에 대해 균형 잡힌 그룹을 생성합니다.
     • 도구 변수 (Instrumental Variables): 처치(treatment)에는 영향을 미치지만, 오직 처치를 통해서만 결과(outcome)에 영향을 미치는 변수를 찾는 것입니다.
     • 이중 차분법 (Difference-in-Differences):처치 그룹(treated group)과 비처치 그룹(untreated group) 간의 시간 경과에 따른 변화를 비교하는 것입니다.

6. 인과 효과(Causal Effect)를 추정하세요: 전략을 선택한 후, 통계적 방법을 적용하여 효과를 정량화합니다(예: “새로운 광고 디자인이 클릭률(CTR)을 5% 증가시킨다”).

7. 민감도 분석(Sensitivity Analysis)을 수행하세요:인과 추론은 가정(예: 모든 관련 교란 변수를 식별했다는 가정)에 의존합니다. 민감도 분석(Sensitivity Analysis)은 이러한 가정이 약간 위반될 경우 여러분의 결론이 얼마나 견고한지 테스트합니다. 이는 결과에 대한 신뢰를 구축하는 데 매우 중요합니다.

실제 코드 예시 (파이썬을 활용한 A/B 테스트 분석 개념):

새 광고 디자인에 대한 A/B 테스트를 실행했다고 가정해 봅시다. df는 user_id, ad_design (구 광고는 0, 새 광고는 1), clicked (0 또는 1), user_age를 포함하는 Pandas DataFrame입니다.

import pandas as pd
import statsmodels.formula.api as smf
import random # (실제 상황에서는 이 부분이 실제 A/B 테스트 데이터가 됩니다.)
data = { 'user_id': range(1000), 'user_age': [random.randint(18, 60) for _ in range(1000)], 'ad_design': [random.choice([0, 1]) for _ in range(1000)], # 무작위 할당
}
df = pd.DataFrame(data) # (클릭 시뮬레이션: 새 디자인이 더 잘 작동하지만, 나이든 사용자는 클릭을 덜 함)
df['clicked'] = df.apply(lambda row: 1 if row['ad_design'] == 1 and random.random() < 0.15 else (1 if row['ad_design'] == 0 and random.random() < 0.1 else 0), axis=1) # (교란 변수와 유사한 행동 도입 (무작위 할당에서도 연령은 여전히 상관관계를 가질 수 있음))
# (젊은 사용자가 일반적으로 더 많이 클릭하고, 어떤 이유로든 젊은 사용자가 새 광고를 약간 더 많이 받았다고 가정해 봅시다 (불완전한 무작위화))
df['clicked'] = df.apply(lambda row: 1 if row['user_age'] < 30 and random.random() < 0.2 else row['clicked'], axis=1) # (단순 비교 (순진한 접근 방식))
avg_clicks_old = df[df['ad_design'] == 0]['clicked'].mean()
avg_clicks_new = df[df['ad_design'] == 1]['clicked'].mean()
print(f"Naive comparison - Old Ad CTR: {avg_clicks_old:.4f}, New Ad CTR: {avg_clicks_new:.4f}")
print(f"Naive difference: {avg_clicks_new - avg_clicks_old:.4f}") # ('user_age'를 제어하기 위한 회귀 조정)
# (이는 관찰 데이터에서 인과 추론의 기본적인 형태이거나 A/B 테스트의 약간의 불균형을 조정하기 위한 것입니다.)
# (여기서 'ad_design'은 우리의 처치(treatment), 'clicked'는 결과(outcome), 'user_age'는 우리가 제어하려는 공변량(covariate)입니다.)
model = smf.logit("clicked ~ ad_design + user_age", data=df).fit()
print("\nLogistic Regression Results (controlling for user_age):")
print(model.summary()) # ('ad_design'의 계수는 이제 user_age에 조건부로 추정된 인과 효과를 나타냅니다.)
# (해석을 위해 이 로그 오즈(log-odds)를 확률로 변환해야 합니다.)
# (특히 관찰 데이터에서 더 엄격한 인과 추론을 위해서는 전문 라이브러리가 종종 선호됩니다.)

이 코드 조각은 단순 회귀(regression)가 어떻게 효과를 분리하기 시작할 수 있는지 보여줍니다. 실제 인과 추론은 종종 더 정교한 모델과 가정에 대한 신중한 고려를 필요로 하며, 이때 전문 도구들이 유용하게 사용됩니다.

AI 툴킷 무장하기: 인과 추론을 위한 필수 라이브러리

인과 추론의 이론적 기반이 중요하지만, 개발자를 위한 실제 적용은 견고하고 접근하기 쉬운 도구에 달려있습니다. AI 개발의 초석인 파이썬(Python) 생태계는 인과 분석(causal analysis)을 위해 특별히 설계된 여러 강력한 라이브러리를 제공합니다.

주요 라이브러리는 다음과 같습니다:

1. DoWhy: 인과 AI를 위한 “Why-ulator”

   • 무엇인가:Microsoft Research에서 개발한 DoWhy는 인과 추론(causal inference) 방법을 위한 통합 인터페이스를 제공하는 파이썬 라이브러리입니다. 그 강점은 인과 분석을 위한 명시적인 4단계 프로세스에 있으며, 이는 가정(assumptions)에 대해 엄격하게 사고하도록 강제합니다.

   • 핵심 철학:인과 추론을 모델링(Model), 식별(Identify), 추정(Estimate), 반증(Refute)의 네 단계로 구조화합니다. 이는 과학적 방법론과 완벽하게 일치하며 투명하고 재현 가능한 분석을 보장합니다.

   • 설치:

     pip install dowhy
     

   • 사용 예시 (개념):광고 디자인 예시로 돌아가 봅시다.

     import pandas as pd
     import numpy as np
     from dowhy import CausalModel
     import dowhy.datasets # 1. 데이터 시뮬레이션 (처치: ad_design, 결과: clicked, 교란 변수: user_age)
     np.random.seed(42)
     n_samples = 1000
     user_age = np.random.normal(loc=35, scale=10, size=n_samples)
     ad_design = np.random.choice([0, 1], size=n_samples, p=[0.5, 0.5]) # 초기 무작위 할당 # 교란 도입: 나이든 사용자는 ad_design=0을 받을 가능성이 높고 클릭할 가능성이 낮음
     ad_design = np.where(user_age > 45, 0, ad_design) # 나이든 사용자들은 구 광고로 약간 편향됨 # 결과는 ad_design, user_age, 그리고 약간의 노이즈에 따라 달라짐
     clicked = (0.1 + 0.05 ad_design - 0.002 user_age + np.random.normal(0, 0.05, n_samples) > 0.13).astype(int) data = pd.DataFrame({ 'user_age': user_age, 'ad_design': ad_design, 'clicked': clicked
     }) # 2. 인과 질문 모델링:
     # GML (그래프 모델링 언어) 문자열을 사용하여 인과 그래프(causal graph)를 정의합니다.
     # user_age -> ad_design (할당에 대한 교란)
     # user_age -> clicked (결과에 대한 교란)
     # ad_design -> clicked (우리가 추정하고자 하는 인과 효과)
     model=CausalModel( data = data, treatment=['ad_design'], outcome=['clicked'], graph="digraph {user_age->ad_design; user_age->clicked; ad_design->clicked;}") # 공통 원인(교란 변수)을 수동으로 추가할 수도 있습니다.
     # model = CausalModel(
     # data=data,
     # treatment=['ad_design'],
     # outcome=['clicked'],
     # common_causes=['user_age']
     # ) # 3. 인과 효과 식별:
     # DoWhy는 그래프에서 인과 효과를 식별하는 방법을 찾습니다.
     identified_estimand = model.identify_effect( proceed_when_unidentifiable=True
     )
     print("\nIdentified Estimand:")
     print(identified_estimand) # 4. 인과 효과 추정:
     # 통계적 방법 사용 (예: 선형 회귀(Linear Regression), 성향 점수 매칭(Propensity Score Matching))
     causal_estimate_ols = model.estimate_effect( identified_estimand, method_name="backdoor.linear_regression"
     )
     print(f"\nCausal Estimate (OLS): {causal_estimate_ols.value:.4f}") # 비교용: 연령을 제어하지 않은 순진한 OLS
     # causal_estimate_naive = model.estimate_effect(
     # identified_estimand,
     # method_name="backdoor.linear_regression",
     # control_value=0,
     # treatment_value=1,
     # # 이는 DoWhy 내에서 순진한 추정치를 얻기 위한 일종의 편법이며, 보통은 statsmodels를 실행합니다.
     # # 또는 순진한 추정량을 명시적으로 보여주고 싶다면 common_causes가 없는 그래프를 정의할 수 있습니다.
     # # 간단히 말해, 비교를 위해 첫 번째 식별된 추정량을 직접 사용합시다.
     # ) # 5. 추정치 반증 (견고성 검사):
     # 관찰되지 않은 교란 변수, 데이터 서브셋 등에 대한 민감도 테스트
     refutation = model.refute_estimate( identified_estimand, causal_estimate_ols, method_name="random_common_cause" # 무작위 공통 원인 도입
     )
     print("\nRefutation (random common cause):")
     print(refutation)
     # 여기서 유의미한 변화는 관찰되지 않은 교란 변수에 대한 민감도를 나타낼 수 있습니다.
     

     이는 DoWhy가 강제하는 구조화된 워크플로우를 보여주는데, 이는 방법론적 엄격함(methodological rigor)을 보장하는 데 매우 중요합니다.

2. EconML: 인과 추론을 위한 머신러닝

   • 무엇인가: Microsoft의 또 다른 강력한 라이브러리인 EconML은 이질적인 처치 효과(heterogeneous treatment effects)를 추정하기 위해 고급 머신러닝(machine learning) 기술을 통합합니다. 이는 평균 인과 효과(average causal effect)뿐만 아니라, 효과가 다른 하위 그룹(subgroups)에 따라 어떻게 달라지는지 (예: 새 광고가 젊은 사용자에게 더 효과적인가, 나이든 사용자에게 더 효과적인가?)를 알려줄 수 있다는 의미입니다.
   • 초점:이는 ‘비교란성(unconfoundedness)’ 가정 하에 다양한 ML 모델(예: Forests, Neural Nets)을 사용하여 조건부 평균 처치 효과(Conditional Average Treatment Effects, CATEs)를 추정하도록 구축되었습니다.
   • 설치:

     pip install econml
     

   • 사용 예시 (개념):

     from econml.dml import CausalForestDML
     # (X (특징), Y (결과), T (처치)가 데이터에서 준비되었다고 가정합니다.)
     # (W는 제어 변수/교란 변수입니다.)
     # (광고 예시의 경우:)
     # (Y = 클릭 여부 (결과))
     # (T = 광고 디자인 (처치))
     # (X = [] (여기서는 W 외에 CATE를 위한 특정 특징은 없지만, user_segment 등이 될 수 있습니다))
     # (W = 사용자 연령 (교란 변수)) # (더미 데이터 생성)
     n_samples = 1000
     user_age = np.random.normal(loc=35, scale=10, size=n_samples)
     ad_design = np.random.choice([0, 1], size=n_samples, p=[0.5, 0.5]) # (교란 및 이질적인 효과 도입:)
     # (나이든 사용자는 구 광고를 더 많이 접합니다. 새 광고는 특히 젊은 사용자에게 더 좋습니다.)
     ad_design = np.where(user_age > 45, 0, ad_design)
     clicked_base = (0.1 - 0.002 user_age + np.random.normal(0, 0.05, n_samples) > 0.13).astype(int) # (이질적인 효과: 새 광고는 클릭을 증가시키며, 특히 젊은 사용자에게 더 그렇습니다.)
     clicked_effect = np.where(ad_design == 1, 0.05 + 0.005 (45 - user_age), 0)
     clicked = (clicked_base + clicked_effect > 0.5).astype(int)
     clicked = np.clip(clicked, 0, 1) # (클릭이 0 또는 1로 유지되도록 보장) Y = clicked
     T = ad_design
     W = user_age.reshape(-1, 1) # (교란 변수)
     X = np.ones((n_samples, 1)) # (현재는 빈 X, 효과 이질성을 모델링하고 싶다면 다른 특징이 될 수 있습니다) # (Causal Forest 모델 초기화 및 훈련)
     est = CausalForestDML( model_y=None, # (sklearn.ensemble.RandomForestRegressor로 기본 설정됨) model_t=None, # (sklearn.ensemble.RandomForestRegressor로 기본 설정됨) discrete_treatment=True, n_estimators=100
     )
     est.fit(Y, T, X=X, W=W) # (CATE 예측 (조건부 평균 처치 효과))
     # (X와 W에 조건부로 각 샘플에 대한 처치 효과를 예측합니다.)
     cate_estimates = est.effect(X, T0=0, T1=1) # (T=1 대 T=0의 효과)
     print(f"\nAverage Causal Treatment Effect (CATE): {np.mean(cate_estimates):.4f}") # (사용자 연령에 따라 CATE가 어떻게 달라지는지 분석할 수 있습니다.)
     # (예시: CATE 대 사용자 연령을 플로팅하여 이질성 확인)
     # import matplotlib.pyplot as plt
     # plt.scatter(user_age, cate_estimates)
     # plt.xlabel("User Age") # (사용자 연령)
     # plt.ylabel("Causal Effect of New Ad Design") # (새 광고 디자인의 인과 효과)
     # plt.title("Heterogeneous Treatment Effect by User Age") # (사용자 연령별 이질적인 처치 효과)
     # plt.show()
     

     EconML은 개발자들이 기존 ML 전문 지식을 활용하여 복잡한 인과 효과(causal effects)를 추정할 수 있게 해주며, 특히 처치 효과(treatment effects)가 균일하지 않을 때 유용합니다.

3. CausalML: 더 광범위한 인과 머신러닝

   • 무엇인가:이 라이브러리는 메타 학습기(Meta-learners, S-Learner, T-Learner, X-Learner) 및 정책 최적화(policy optimization) 접근 방식을 포함하여, 업리프트 모델링(uplift modeling) 및 인과 추론 방법의 더 광범위한 컬렉션을 제공합니다.
   • 초점:EconML과 유사하게, 조건부 평균 처치 효과(Conditional Average Treatment Effects)를 추정하고 이러한 효과를 기반으로 최적 정책(optimal policies)을 식별하는 데 중점을 둡니다.
   • 설치:

     pip install causalml
     

   • 사용법 (개념):

     from causalml.inference.tree import UpliftRandomForestClassifier
     from sklearn.model_selection import train_test_split # (X_features, treatment_group (0/1), y_outcome (0/1)가 여러분의 데이터라고 가정합니다.)
     # (광고 예시의 경우:)
     # (X_features = user_age.reshape(-1, 1) # 또는 다른 사용자 인구 통계)
     # (treatment_group = ad_design)
     # (y_outcome = clicked) # (데이터 분할 (인과 ML에 중요))
     X_train, X_test, t_train, t_test, y_train, y_test = train_test_split( W, T, Y, test_size=0.2, random_state=42
     ) # (Uplift Random Forest 초기화 (CausalForest와 유사))
     uplift_model = UpliftRandomForestClassifier( control_name=0, # (treatment_group에서 대조군 이름) n_estimators=100, max_depth=5, min_samples_leaf=10, random_state=42
     ) # (모델 학습)
     uplift_model.fit(X_train, t_train, y_train) # (테스트 데이터에 대한 업리프트 예측)
     uplift_preds = uplift_model.predict(X_test) # (이제 uplift_preds는 각 개인에 대한 추정된 처치 효과(업리프트)를 포함합니다.)
     # (이 예측을 분석하여 새 광고가 가장 효과적인 사용자 세그먼트를 식별할 수 있습니다.)
     print(f"\nExample Uplift Prediction for first 5 test samples: {uplift_preds[:5]}")
     

     CausalML은 인과적 영향(causal impact)을 직접 추정하는 모델을 구축하기 위한 또 다른 견고한 옵션을 제공하여, 개입(interventions)을 효과적으로 타겟팅하는 것을 더 쉽게 만듭니다.

IDE 및 에디터 확장 프로그램: “인과 추론” 전용 확장 프로그램은 없지만, 파이썬(Python) 및 주피터 노트북(Jupyter Notebook) 개발을 향상시키는 도구들은 매우 유용합니다.

• VS Code 파이썬 확장:린팅(linting), 디버깅(debugging), IntelliSense 및 주피터 노트북 통합을 제공합니다. 인과 추론 스크립트를 작성하고 테스트하는 데 필수적입니다.
• 주피터/IPython:반복적인 데이터 탐색, 실험 실행, DAG 및 결과 시각화에 필수적입니다. 많은 인과 추론 워크플로우는 노트북 환경에서 가장 잘 탐색됩니다.
• Pandas와 NumPy:이들은 인과 모델(causal models)을 위한 데이터를 준비하는 데 지속적으로 사용하게 될 기본적인 데이터 조작 라이브러리입니다.

이러한 라이브러리와 구조화된 접근 방식을 활용하면, 개발자들은 상관관계(correlations)를 수동적으로 관찰하는 것에서 벗어나 AI 시스템 내의 인과 메커니즘(causal mechanisms)을 적극적으로 밝혀내고 이에 따라 조치하는 것으로 전환할 수 있습니다.

코드에서 영향으로: 실제 인과 AI 활용 사례

인과 추론을 이해하는 것은 단순히 이론적 지식에 관한 것이 아닙니다. 이는 실질적인 비즈니스 가치와 더 효과적인 AI 솔루션을 이끌어내는 실제 적용에 관한 것입니다. 개발자에게 이는 더 견고하고 설명 가능하며 영향력 있는 기능과 시스템을 구축하는 것으로 이어집니다.

Alternative Image Source

실제 활용 사례 및 코드 예시

1. 기능 출시 최적화 (제품 개발):

   • 문제: 새로운 기능(예: “다크 모드(dark mode)” 토글)이 출시되었습니다. 이 기능을 활성화한 사용자들은 더 높은 참여 지표(engagement metrics)를 보입니다. 이것이 다크 모드가 더 많은 참여를 유발하기 때문일까요, 아니면 이미 높은 참여도를 보이는 사용자들이 단순히 다크 모드를 선호하고 활성화하는 것일까요?
   • 인과적 접근 방식(Causal Approach): 다크 모드를 일부 사용자에게 무작위로 제공하는 A/B 테스트를 설계합니다. 만약 진정한 A/B 테스트가 불가능하다면(예: 기능이 이미 출시된 경우), 다크 모드 출시 이전의 사용자 참여도와 다른 교란 변수(confounders)를 통제하기 위해 관찰 기반 인과 추론(observational causal inference) 기법(예: 성향 점수 매칭(Propensity Score Matching) 또는 인과 포레스트(Causal Forest))을 사용합니다.
   • 개발자 영향:인과적 연결(causal link)을 증명한다면, 다크 모드 홍보 또는 유사한 접근성 기능(accessibility features) 개발에 더 자신 있게 투자할 수 있습니다. 단순히 상관관계(correlation)라면, 자원 낭비를 피할 수 있습니다.
   • 코드 패턴 (A/B 테스트 분석을 위한 DoWhy 개념):

     # (df_ab_test에 'user_id', 'dark_mode_enabled' (0/1), 'engagement_score_after', 'engagement_score_before', 'user_type'이 있다고 가정)
     import pandas as pd
     from dowhy import CausalModel
     import numpy as np # (설명을 위한 더미 데이터 생성 (실제 시나리오에서는 이 부분이 실제 A/B 테스트 데이터입니다))
     np.random.seed(42)
     n_users = 1000
     engagement_before = np.random.normal(50, 10, n_users)
     user_type = np.random.choice(['casual', 'power'], size=n_users, p=[0.7, 0.3]) # (다크 모드 접근의 무작위 할당)
     dark_mode_enabled = np.random.choice([0, 1], size=n_users, p=[0.5, 0.5]) # (결과: 이후 참여도)
     # (다크 모드는 작은 긍정적인 인과 효과를 가집니다.)
     # (파워 유저들은 자연적으로 더 참여도가 높습니다.)
     engagement_after = engagement_before + \ (dark_mode_enabled 5) + \ (np.where(user_type == 'power', 10, 0)) + \ np.random.normal(0, 5, n_users) df_ab_test = pd.DataFrame({ 'user_id': range(n_users), 'engagement_score_before': engagement_before, 'user_type': user_type, 'dark_mode_enabled': dark_mode_enabled, 'engagement_score_after': engagement_after
     }) # (문제 모델링)
     model = CausalModel( data=df_ab_test, treatment=['dark_mode_enabled'], outcome=['engagement_score_after'], common_causes=['engagement_score_before', 'user_type'], # (교란 변수) graph="digraph {engagement_score_before->dark_mode_enabled; user_type->dark_mode_enabled; engagement_score_before->engagement_score_after; user_type->engagement_score_after; dark_mode_enabled->engagement_score_after;}"
     ) identified_estimand = model.identify_effect()
     causal_estimate = model.estimate_effect( identified_estimand, method_name="backdoor.linear_regression"
     )
     print(f"\nEstimated Causal Effect of Dark Mode on Engagement: {causal_estimate.value:.2f}") # (반증 (예: 플라시보 테스트))
     refutation_result = model.refute_estimate( identified_estimand, causal_estimate, method_name="placebo_treatment_refuter", # placebo_type='permute', num_simulations=50
     )
     print("\nRefutation Result (Placebo Treatment):")
     print(refutation_result)
     # (플라시보 처치에 대한 인과 효과가 0에 가깝다면, 이는 우리의 원래 발견을 강화합니다.)
     

2. 마케팅 캠페인 효과 평가 (성장 및 분석):

   • 문제:새로운 이메일 마케팅 캠페인이 시작되었습니다. 매출이 증가합니다. 이것이 이메일 캠페인 때문일까요, 아니면 일반적인 시장 동향 때문일까요, 혹은 경쟁사의 실수 때문일까요?
   • 인과적 접근 방식(Causal Approach):무작위화(randomization, 즉 무작위 그룹에 이메일을 보내고 대조군을 따로 두는 것)가 이루어지지 않았다면, “준실험적(quasi-experimental)” 방법을 사용합니다. 예를 들어, 한 지역에서만 캠페인을 시작하고 다른 지역에서는 시작하지 않았다면, 이중 차분법(Difference-in-Differences)을 사용할 수 있습니다.
   • 개발자 영향:마케팅 및 제품 팀이 캠페인에 대한 투자 수익률(ROI)을 정확하게 귀속시켜, 예산 할당 및 미래 전략을 안내할 수 있게 합니다.
   • 코드 패턴 (이중 차분법(Diff-in-Diff) 개념):

     import pandas as pd
     import statsmodels.formula.api as smf # (df_sales에 'period' (전/후), 'region' (처치/대조), 'sales'가 있다고 가정합니다.)
     # (데이터 구조:)
     # (기간 | 지역 | 매출)
     # (--------|--------|-------)
     # (전 | 대조 | 100)
     # (전 | 처치 | 110)
     # (후 | 대조 | 105)
     # (후 | 처치 | 130 (캠페인이 여기에 적용됨)) # (데이터 시뮬레이션)
     data = { 'period': ['before', 'before', 'after', 'after'], 'region': ['control', 'treated', 'control', 'treated'], 'sales': [100, 110, 105, 130] # (처치 지역은 캠페인 후 더 큰 증가를 보임)
     }
     df_sales = pd.DataFrame(data) # (범주형 변수를 숫자로 인코딩)
     df_sales['is_after'] = (df_sales['period'] == 'after').astype(int)
     df_sales['is_treated'] = (df_sales['region'] == 'treated').astype(int) # (교호 작용 항은 DiD의 핵심)
     df_sales['interaction'] = df_sales['is_after'] df_sales['is_treated'] # (DiD 회귀: sales ~ is_after + is_treated + interaction)
     # ('interaction'의 계수가 인과 효과입니다.)
     model = smf.ols("sales ~ is_after + is_treated + interaction", data=df_sales).fit()
     print("\nDifference-in-Differences Regression Results:")
     print(model.summary())
     print(f"\nEstimated Causal Effect (Interaction term): {model.params['interaction']:.2f}")
     # (양의 유의미한 교호 작용 계수는 처치가 인과 효과를 가졌음을 나타냅니다.)
     

3. 모델 성능/편향 디버깅 (MLOps 및 모델 거버넌스):

   • 문제: 여러분의 분류 모델(classification model)이 특정 인구 통계 그룹(예: ‘그룹 A’)에서 낮은 정확도를 보입니다. 이것이 '그룹 A’에 불균형적으로 영향을 미치는 특징(features) 때문에 발생하는 것일까요, 아니면 '그룹 A’가 본질적인 데이터 속성(inherent data properties) 때문에 단순히 예측하기 어려운 것일까요?
   • 인과적 접근 방식(Causal Approach): '그룹 A’에 속하는 것을 "처치(treatment)"로, 모델 성능을 "결과(outcome)"로 간주합니다. 잠재적인 교란 특징(confounding features)(예: '그룹 A’와 결과 모두와 상관관계가 있는 특정 사회 경제적 지표)을 식별합니다. 인과 추론(causal inference)을 사용하여 이러한 특징을 통제하는 것이 관찰된 성능 격차를 줄이거나 제거하는지 확인합니다. 이는 편향(bias)이 왜 존재하는지 정확히 밝히는 데 도움이 됩니다.
   • 개발자 영향:모델 편향을 관찰하는 것에서 그 근본 원인(root causes)을 이해하는 것으로 나아가, 피상적인 수정(superficial fixes)을 적용하는 대신 목표 지향적인 개입(targeted interventions)(예: 더 다양한 데이터 수집, 특정 특징 재설계)을 가능하게 합니다.

모범 사례 및 일반적인 패턴

• 명확한 인과 질문으로 시작:"X가 Y를 유발하는가?"라는 질문을 명확히 제시할 수 없다면, 인과 추론을 시작할 준비가 되지 않은 것입니다.
• 가정을 시각화하세요 (DAG):항상 DAG를 그리세요. 이는 교란 변수를 식별하고 인과적 가정(causal assumptions)을 전달하는 데 매우 중요합니다. graphviz와 같은 도구는 DoWhy의 그래프 문자열에서 DAG를 렌더링할 수 있습니다.
• 가능하다면 무작위화를 적극 활용:A/B 테스트는 인과 추론에 이르는 가장 직접적인 경로입니다. 무작위화가 가능하다면 그렇게 하세요.
• 관찰 데이터에 회의적이기:관찰되지 않은 교란 변수(unobserved confounders)가 존재한다고 가정하세요. 민감도 분석(sensitivity analysis)(DoWhy의 반증(refutation) 방법과 같은)을 사용하여 발견의 견고성을 테스트하세요.
• 반복하고 개선:인과 추론은 일회성 과정이 아닙니다. 데이터를 탐색하고 추정치를 반증하면서 초기 DAG와 가정은 발전할 것입니다.
• 실행 가능한 통찰력에 집중:목표는 의사결정을 알리는 것입니다. 제품 관리자, 마케팅 팀 또는 다른 이해관계자들에게 해석 가능하고 실행 가능한 방식으로 인과 효과(causal effect)를 정량화하세요.

이러한 관행을 통합하고 사용 가능한 도구를 활용함으로써, 개발자들은 단순히 예측만을 제공하는 것이 아니라 심오한 이해와 자신감을 가지고 변화를 이끌어낼 수 있는 AI 시스템을 구축할 수 있습니다.

상관관계를 넘어: 인과 추론 대(vs.) 전통적인 예측 AI

AI 및 머신러닝(machine learning) 분야에서 우리는 주로 상관관계(correlation)의 영역에서 작동해 왔습니다. 전통적인 예측 AI(predictive AI)는 데이터 내에서 패턴과 연관성을 찾아 미래 이벤트를 예측하거나 새로운 관측치를 분류하는 데 탁월합니다. 반면 인과 추론(causal inference)은 초점을 "무엇"에서 "왜"로 전환하며, 근본적으로 다른 접근 방식을 요구합니다. 이러한 차이점을 이해하는 것은 지능형 시스템 구축을 목표로 하는 모든 개발자에게 중요합니다.

전통적인 예측 AI: 패턴 인식의 힘

수행하는 일:

• 패턴 인식(Pattern Recognition):입력 특징(input features)과 목표 결과(target outcomes) 사이의 복잡한 관계를 식별합니다.
• 예측(Forecasting):미래 값(예: 주가, 판매 수치)을 예측합니다.
• 분류(Classification):카테고리를 할당합니다(예: 스팸 탐지, 이미지 인식).
• 추천(Recommendation):유사성 또는 과거 행동을 기반으로 항목을 제안합니다.
• 최적화 (상관관계 기반 Optimization, correlational): 관찰된 상관관계(correlations)를 기반으로 지표를 최적화합니다(예: 더 많이 클릭되는 경향이 있는 광고를 표시하는 것).

언제 사용하는가:

• 목표가 순수하게 예측(prediction)이며, 근본적인 메커니즘을 이해할 필요가 없을 때.
• 방대한 양의 데이터가 있고 어느 정도의 “블랙박스(black box)” 동작을 용인할 수 있을 때.
• 다음과 같은 작업:
  • 스팸 필터(Spam filters) (스팸인지 아닌지만 알면 되고, 왜 보내졌는지는 알 필요 없음).
  • 이미지 인식(Image recognition) (고양이를 식별하는 것이지, 고양이 존재의 생물학을 이해하는 것이 아님).
  • 판매 예측(Sales forecasting) (각 판매의 정확한 인과적 동인(causal drivers)을 반드시 분석하지 않고도 다음 달 판매를 예측).
  • 이상 감지(Anomaly detection).

한계:

• "왜?"에 답할 수 없음: 무엇이 일어났는지 또는 무엇이 일어날 것인지는 알려주지만, 왜 일어났는지 또는 특정 개입(intervention)이 왜 변화를 가져올 것인지는 알려주지 않습니다.
• 가짜 상관관계(Spurious Correlations)에 취약:예측 모델은 상관관계는 있지만 인과적으로 연결되지 않은 변수에 의존할 수 있으며, 이는 조건이 변경되거나 개입이 이루어질 때 모델이 오작동하게 만듭니다.
• 정책 결정에 부적합:상관관계(correlation)에 기반하여 정책을 변경하면, 그 상관관계가 인과적이지 않았기 때문에 원하는 결과를 얻지 못할 수 있습니다. 예를 들어, 아이스크림 판매량과 상어 공격은 상관관계가 있지만, 하나를 늘린다고 해서 다른 하나가 증가하지는 않습니다.

인과 추론: 메커니즘 밝혀내기

수행하는 일:

• 메커니즘 이해(Mechanism Understanding): 한 변수의 변화가 다른 변수의 변화를 유발하는지 여부를 판단합니다.
• 개입 계획(Intervention Planning):특정 행동이나 정책의 직접적인 영향을 예측하여 의사결정을 알립니다.
• 디버깅 및 설명 가능성(Debugging and Explainability):관찰된 현상 뒤에 숨겨진 진정한 이유를 진단하는 데 도움을 줍니다(예: 기능이 왜 기대 이하의 성능을 보이는지, 모델이 왜 편향되었는지).
• 반사실적 추론(Counterfactual Reasoning): "만약 ~했다면 어땠을까?"라는 질문에 답합니다(예: “만약 그 기능을 출시하지 않았다면 어떤 일이 일어났을까?”).

언제 사용하는가:

• 개입(intervention)이나 행동의 영향을 이해해야 할 때.
• 정책 권고(policy recommendations)나 전략적 결정(strategic decisions)을 내려야 할 때.
• "왜"를 이해하는 것이 중요한 시스템을 디버깅하거나 개선할 때.
• 다음과 같은 작업:
  • 새로운 마케팅 캠페인의 진정한 효과를 평가하는 것.
  • 새로운 약물이 특정 건강 개선을 유발하는지 판단하는 것.
  • UI 변경이 사용자 유지(user retention)에 미치는 인과적 영향(causal impact)을 평가하는 것.
  • 민감한 애플리케이션에서 알고리즘 편향(algorithm bias)의 인과적 동인(causal drivers)을 이해하는 것.

개발자에게 중요한 이유: 개발자들에게 이러한 구분은 작업에 적합한 도구를 선택하는 것을 의미합니다. 사용자가 무엇을 좋아할지 예측하기만 하면 되는 추천 엔진을 구축하는 경우, 예측 AI(predictive AI)가 완벽합니다. 하지만 사용자 건강 결과(user health outcomes)를 최적화하거나 타겟팅된 개입(targeted interventions)을 통해 이탈률(churn)을 줄이는 시스템을 구축하는 경우, 인과적 연결(causal links)을 이해하는 것이 무엇보다 중요해집니다. 인과적 질문에 예측 모델을 사용하면 결함 있는 기능 우선순위 지정, 비효율적인 제품 변경, 그리고 효과적으로 디버깅할 수 없는 편향된 시스템 동작으로 이어질 수 있습니다.

예시:

• 예측 AI(Predictive AI):“제품 페이지에서 더 많은 시간을 보내는 사용자들은 더 많이 구매하는 경향이 있습니다.” (상관관계(Correlation))
• 인과 추론(Causal Inference): “사용자들이 제품 페이지에서 보내는 시간을 늘리는 것이 구매량을 측정 가능하게 증가시킵니다.” (인과관계(Causation), 기존 구매 의도와 같은 교란 변수(confounders)를 통제하는 A/B 테스트 또는 관찰 방법을 통해 발견될 수 있음).

후자의 통찰력은 단순히 패턴을 수동적으로 관찰하는 것을 넘어, 검색을 장려하고 그것이 매출 증가로 이어질 것이라고 확신하며 기능을 설계할 수 있도록 해줍니다. 인과적 사고(causal thinking)를 통합함으로써, 개발자들은 단순한 패턴 매칭을 넘어 환경을 진정으로 이해하고 의미 있고 예측 가능한 결과(outcomes)를 이끌어내는 AI 시스템을 구축할 수 있습니다.

더 스마트한 시스템 구축: 개발 분야 인과 AI의 미래

AI 시스템이 중요한 의사결정 과정에 점점 더 깊이 통합됨에 따라, 투명성(transparency), 견고성(robustness), 그리고 진정한 이해에 대한 요구는 더욱 커질 것입니다. 인과 추론(Causal inference)은 단순한 고급 통계 기술이 아닙니다. 이는 개발자들이 단순한 예측을 넘어 심오한 통찰력과 효과적인 개입(intervention)을 제공하는 AI 애플리케이션을 구축할 수 있도록 하는 근본적인 패러다임 전환을 의미합니다.

개발자들에게 인과 AI를 수용한다는 것은 알고리즘을 구현하는 "코드 몽키"에서, “무엇(what)” 뒤에 숨겨진 "왜(why)"를 이해할 수 있는 시스템을 설계하는 "AI 아키텍트"로 진화하는 것을 의미합니다. 이러한 기술 세트는 다음 사항에 매우 중요할 것입니다:

• 신뢰할 수 있는 AI 구축:그 행동과 추천을 인과적으로 설명하고 정당화할 수 있는 모델을 생성합니다.
• 효과적인 개입 설계:예측 가능하고 측정 가능한 영향(impacts)을 가진 기능, 정책 또는 전략을 개발합니다.
• 자원 할당 최적화:상관관계의 환상(correlational mirages)에 시간 낭비를 피하고, 진정으로 원하는 결과(outcomes)를 이끌어내는 변화에 개발 노력을 집중합니다.
• 정확한 디버깅:모델 오류나 바람직하지 않은 행동의 근본 원인(root causes)을 정확히 찾아내어, 더욱 목표 지향적이고 효율적인 수정으로 이어지게 합니다.

AI 개발의 미래는 전통적인 머신러닝(machine learning)의 예측 능력과 인과 추론(causal inference)의 설명 및 개입 능력(interventional capabilities)을 결합한 하이브리드 접근 방식(hybrid approaches)을 점점 더 많이 포함할 것입니다. 우리는 다음과 같은 변화를 기대할 수 있습니다:

• 더욱 통합된 라이브러리:인과 추론 기능이 주류 ML 프레임워크에 더욱 원활하게 통합될 것입니다.
• 인과 딥러닝(Causal Deep Learning):인과 관계(causal relationships)를 모델링하도록 본질적으로 설계된 딥러닝(deep learning) 아키텍처에 대한 연구가 증가할 것입니다.
• 자동화된 인과 발견(Automated Causal Discovery):데이터로부터 인과 그래프(causal graphs)를 자동으로 추론하는 데 도움이 되는 도구들이 등장할 것이며, 인간의 도메인 전문 지식(domain expertise)은 여전히 중요할 것입니다.
• 인과성을 통한 설명 가능한 AI (XAI) 강조:인과적 설명(Causal explanations)은 단순한 특징 중요도 점수(feature importance scores)보다 더 엄격하고 실행 가능한 형태의 설명 가능성(explainability)을 제공할 것입니다.

인과 AI(Causal AI)로의 여정은 더 스마트하고, 더 책임감 있으며, 궁극적으로 더 큰 영향력을 가진 시스템을 구축하기 위한 투자입니다. 이는 우리가 사용하는 데이터와 만드는 가정(assumptions)에 대해 더 깊이 생각하도록 도전하게 하여, 우리를 더 효과적이고 양심적인 AI 실무자로 변화시킬 것입니다. 오늘 DoWhy, EconML 또는 CausalML을 실험해보고, 여러분의 AI 프로젝트에서 "왜"를 밝혀내기 시작하세요.

인과 AI에 대한 질문과 답변 (및 주요 용어 정의)

자주 묻는 질문

1. AI 프로젝트에 인과 추론(Causal Inference)이 항상 필요한가요? 아닙니다. 만약 여러분의 목표가 순수하게 예측(predictive)에 있다면(예: “이 이미지를 분류하세요”, “이 제품을 추천하세요”, “이 값을 예측하세요”), 그리고 왜 또는 개입하면 어떻게 될까를 이해할 필요가 없다면, 전통적인 예측 AI(predictive AI)가 종종 충분하고 더 간단합니다. 인과 추론은 어떤 행동의 영향(impact)을 이해해야 하거나, 정책 결정(policy decisions)을 내리거나, 시스템의 근본적인 메커니즘을 진정으로 디버깅해야 할 때 필수적이 됩니다.

2. 인과 추론을 위해 어떤 종류의 데이터가 필요한가요? 이상적으로는 무작위 대조군 시험(Randomized Controlled Trials, A/B 테스트)에서 얻은 데이터가 가장 깨끗한 경로를 제공합니다. 관찰 데이터(observational data, 대부분의 실제 데이터셋)의 경우, 여러분의 처치(treatment), 결과(outcome) 및 모든 관련 잠재적 교란 변수(potential confounders)에 대한 변수를 포함하는 풍부한 데이터가 필요합니다. 처치와 결과 모두에 영향을 미치는 요인에 대한 데이터가 포괄적일수록 인과적 추정치(causal estimates)는 더 신뢰할 수 있습니다.

3. 개발자가 인과 추론을 배우고 적용하는 것이 얼마나 어려운가요? 기초 개념(교란 변수(confounders), DAG, 처치/결과(treatment/outcome))은 접근하기 쉽습니다. 어려운 점은 교란 변수를 올바르게 식별하고 적절한 식별 및 추정 전략(identification and estimation strategies)을 선택하는 데 있으며, 이는 종종 도메인 전문 지식(domain expertise)과 통계적 엄격함(statistical rigor)을 요구합니다. 그러나 DoWhy와 같은 라이브러리는 개발자들이 프로세스를 따라가도록 안내하는 구조화된 워크플로우를 제공하여, 시작하고 적용하는 것을 훨씬 더 관리하기 쉽게 만듭니다.

4. 인과 추론이 AI 모델 편향(bias)을 디버깅하는 데 도움이 될 수 있나요? 물론입니다. 인과 추론은 관찰된 편향(예: 특정 인구 통계 그룹에 대한 낮은 모델 성능)이 특정 입력 특징(input features)으로 인해 발생하는지, 아니면 단순히 상관관계만 있는지 판단하는 데 도움이 될 수 있습니다. 편향을 결과(outcome)로, 인구 통계 변수를 "처치(treatments)"로 간주하고 잠재적인 교란 특징(confounding features)을 통제함으로써, 편향의 근본 원인(root causes)을 식별할 수 있으며, 이는 이를 완화하기 위한 더욱 목표 지향적이고 효과적인 개입(interventions)으로 이어집니다.

5. 인과 추론이 실시간 시스템에 유용한가요, 아니면 오직 오프라인 분석에만 사용되나요? 주로 인과 추론은 과거 개입(interventions)의 영향(impact)을 이해하고 미래 결정을 알리기 위한 오프라인 분석(offline analysis)에 사용됩니다. 그러나 인과 추론에서 도출된 통찰력(insights)은 실시간 시스템에 내장될 수 있습니다. 예를 들어, 특정 사용자 세그먼트가 특정 추천 알고리즘에 더 잘 반응한다는 것을 인과적으로 판단했다면, 해당 세그먼트에 이 인과적으로 정보화된 정책(causally-informed policy)을 적용하는 실시간 시스템을 배포할 수 있습니다.

필수 기술 용어

1. 인과 효과(Causal Effect): 다른 모든 요인을 고려한 후, 처치 변수(treatment variable)의 변화에 직접적이고 오직 그 변화로 인해 결과 변수(outcome variable)에서 발생하는 특정 변화. "X를 변경하면 Y가 X 때문에 얼마나 변할까?"라는 질문에 답합니다.
2. 교란 변수(Confounder):처치(treatment, 원인)와 결과(outcome, 효과) 모두에 영향을 미쳐, 인과적이지 않은 가짜 통계적 연관성(spurious statistical association)을 만들어내는 변수. 교란 변수를 통제하지 못하면 잘못된 인과적 결론(causal conclusions)으로 이어집니다.
3. 방향성 비순환 그래프(Directed Acyclic Graph, DAG):변수들 간의 가정된 인과 관계(causal relationships)를 시각적으로 나타낸 것. 노드(Nodes)는 변수를 나타내고, 화살표(arrows)는 인과적 방향(causal directions)을 나타냅니다. "비순환(acyclic)"인 이유는 변수 자체가 자신을 유발하는 피드백 루프(feedback loops)가 없기 때문입니다.
4. 반사실(Counterfactual):어떤 대상이 실제로 받은 것과 다른 처치(treatment) (또는 아무런 처치도 받지 않았을 경우)를 받았다면 어떤 일이 일어났을지 설명하는 가상의 시나리오. 인과 추론은 근본적으로 이 관찰되지 않은 반사실을 추정하는 것을 목표로 합니다.
5. 처치 효과(Treatment Effect, 평균 처치 효과 - ATE, 조건부 평균 처치 효과 - CATE):처치(treatment)의 인과적 영향(causal impact)을 측정하는 지표. ATE(Average Treatment Effect)는 전체 모집단에 걸친 평균 인과 효과(average causal effect)이며, CATE(Conditional Average Treatment Effect)는 특성에 따라 다른 하위 그룹(subgroups)이나 개인에 대해 인과 효과가 어떻게 달라지는지를 설명합니다.

Published on October 28, 2025