Есть 4 основные причины:
1. Причинную концепцию легче понять, чем альтернативу глубокому обучению. Человек в петле машинного обучения заставляет объясниться, чтобы построить доверие, однако причинно-следственные модели можно частично объяснить с помощью простых графиков.
2. Причинно-следственные модели более надежны, чем альтернативы глубокому обучению. Надежность и точность - разные показатели. Модели глубокого обучения достигают необычайной точности. Надежность гораздо сложнее измерить без расширенного производственного цикла.
3. Мы можем легко определить конкретные гарантии для случайных моделей. Глубокое обучение пытается изучить всю систему с помощью одной крупномасштабной модели. Повседневные модели гораздо более детализированы. Они разбивают большую систему на более мелкие подсистемы. Цепочка простых случайных моделей часто более эффективна, чем 1 модель глубокого обучения, которая объясняется ниже.
4. Легче улучшить цепочки небольших моделей, чем расширять крупномасштабную модель для обработки крайних случаев или обобщения. Сбор данных более целенаправленный, что удешевляет и ускоряет создание новых обучающих наборов данных.
Чтобы узнать больше о причинно-следственных моделях, перейдите по ссылке ниже:
