Inférence causale pour données observationnelles et analyses jointes de données expérimentales et observationnelles

Abstract

Dans le domaine de l’apprentissage machine, de grands progrès ont été réalisés dans l’obtention de modèles prédictifs puissants, mais ces modèles reposent sur des corrélations entre variables et ne permettent pas de comprendre les mécanismes sous-jacents ou la manière d’intervenir sur le système pour atteindre un certain objectif. Les concepts de causalité sont fondamentaux pour disposer de leviers d’action, pour formuler des recommandations et pour répondre aux questions suivantes : « que se passerait-il si nous avions agi différemment? » L’idée est de rechercher une “human-like AI », de prendre des décisions raisonnables et solides dans des situations jamais vécues. Dans cet exposé, je présenterai le cadre de réponses potentielles pour l’inférence causale afin de répondre à des questions telles que « quel est l’effet d’une formation professionnelle sur l’insertion professionnelle ? » Je présenterai des techniques pour estimer l’effet moyen de traitement à partir de données observationnelles telles que les dossiers médicaux électroniques. Je montrerai ensuite comment ces méthodes peuvent tirer parti des outils puissants de l’apprentissage machine pour l’inférence statistique. Enfin, je me concentrerai sur le problème de la fusion des données qui consiste à combiner des données observationnelles et des données d’essais contrôlés randomisés.