CausalOps——面向因果概率图模型的工业生命周期
人工智能
2024-07-08 v2
摘要
基于因果概率图的模型已获得广泛应用，能够跨多个领域对因果关系进行建模。随着其在汽车系统安全与机器学习等新领域的采用不断增加，亟需一种类似于 DevOps 和 MLOps 的集成生命周期框架。目前，对有兴趣采用因果工程的组织而言，尚缺乏过程参考模型。为弥补这一空白并推动广泛的工业应用，我们提出 CausalOps，一种用于因果模型开发与应用的新型生命周期框架。通过定义因果工程过程中生成的关键实体、依赖关系与中间产物，我们建立了一致的词汇表与工作流模型。本工作将因果模型的使用置于不同阶段与利益相关者中进行语境化，勾勒出创建与维护因果模型的整体视图。CausalOps 旨在推动相关组织与因果社区在实际应用中采纳因果方法。
引用
@article{arxiv.2308.01375,
title = {CausalOps -- Towards an Industrial Lifecycle for Causal Probabilistic Graphical Models},
author = {Robert Maier and Andreas Schlattl and Thomas Guess and Jürgen Mottok},
journal= {arXiv preprint arXiv:2308.01375},
year = {2024}
}