Antigravity Agent
2.0 KiB
2.0 KiB
id: CAUSAL-001 category: Dev confidence_score: 1.0 tags: Statistics, ai, causal-inference, causality, counterfactuals] last_reinforced: 2026-04-26
Causal Inference (인과 추론)
📌 한 줄 통찰 (The Karpathy Summary)
"상관관계(Correlation)에 속지 말고, 진짜 원인(Cause)을 파헤쳐라" — 단순히 두 현상이 함께 일어나는지 관찰하는 것을 넘어, 한 변수의 변화가 다른 변수의 변화를 실제로 유발하는지 통계적/논리적으로 추론하는 과정.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: 관측 데이터 뒤에 숨겨진 구조적 인과 모델(SCM)을 설정하고, "만약 A가 일어나지 않았다면 어떠했을까?"라는 반사실적(Counterfactual) 질문을 통해 인과 효과를 산출하는 분석 패턴.
- 주요 도구:
- Directed Acyclic Graphs (DAGs): 변수 간의 인과 경로를 시각화.
- Do-calculus: 개입(Intervention)이 일어났을 때의 확률 분포 변화를 계산 (주디아 펄).
- Instrumental Variables: 관찰되지 않은 혼란 변수(Confounder)를 통제하기 위한 기법.
- 의의: 데이터 기반 AI가 범하기 쉬운 "닭이 울어서 해가 뜬다"식의 오류를 방지하고, 정책 결정이나 의학적 진단에서 신뢰할 수 있는 가이드라인 제공.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 빅데이터가 모든 답을 줄 것이라 믿었던 시기에서, 데이터의 양보다 데이터가 생성된 '구조'가 더 중요하다는 사실을 깨닫는 과정.
- 정책 변화: Antigravity 프로젝트는 시스템 장애 분석 시 단순 통계적 상관관계 대신 인과 추론 방법론을 적용하여, 장애의 진짜 원인을 타격하는 해결책을 제시함.
🔗 지식 연결 (Graph)
- Root-Cause-Analysis-RCA, Probabilistic-Graphical-Models, Bayesian-Inference, Decision-Making
- Raw Source: 10_Wiki/Topics/AI/Causal-Inference.md