CausalOps — Towards an Industrial Lifecycle for Causal Probabilistic Graphical Models

要約

因果確率グラフベースのモデルは広く利用されており、さまざまなドメインにわたる因果関係のモデル化が可能になっています。
自動車システムの安全性や機械学習などの新しい分野での採用が増えるにつれ、DevOps や MLOps に似た統合ライフサイクル フレームワークの必要性が生じています。
現在、コーザル エンジニアリングの採用に関心のある組織向けのプロセス リファレンスがありません。
このギャップに対処し、広範な産業導入を促進するために、私たちは因果モデルの開発と適用のための新しいライフサイクル フレームワークである CausalOps を提案します。
主要なエンティティ、依存関係、および因果関係エンジニアリング中に生成される中間成果物を定義することで、一貫した語彙とワークフロー モデルを確立します。
この作業では、さまざまな段階や関係者にわたる因果モデルの使用状況を文脈化し、因果モデルの作成と維持に関する全体的なビューの概要を示します。
CausalOps の目的は、関係する組織や因果関係コミュニティ内での実際の応用における因果関係手法の採用を促進することです。

要約(オリジナル)

Causal probabilistic graph-based models have gained widespread utility, enabling the modeling of cause-and-effect relationships across diverse domains. With their rising adoption in new areas, such as automotive system safety and machine learning, the need for an integrated lifecycle framework akin to DevOps and MLOps has emerged. Currently, a process reference for organizations interested in employing causal engineering is missing. To address this gap and foster widespread industrial adoption, we propose CausalOps, a novel lifecycle framework for causal model development and application. By defining key entities, dependencies, and intermediate artifacts generated during causal engineering, we establish a consistent vocabulary and workflow model. This work contextualizes causal model usage across different stages and stakeholders, outlining a holistic view of creating and maintaining them. CausalOps’ aim is to drive the adoption of causal methods in practical applications within interested organizations and the causality community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google