Korrelation und Kausalität sind beides Wörter, mit denen ein Zusammenhang ausgedrückt wird. Während ein Wort aus der Statistik stammt, stammt das andere aus der Physik. Die Unterschiede basieren auch auf diesen unterschiedlichen Grundlagen.
Korrelation bezieht sich auf eine Beziehung zwischen den Ausdrücken zweier Beobachtungen in einer Reihe von Wiederholungen. Wenn sich die Beobachtung von A ändert, ändert sich tendenziell auch die Beobachtung von B. Der Korrelationskoeffizient ist eine Möglichkeit, eine solche Korrelation zu quantifizieren. Entscheidend ist jedoch die Tatsache, dass Wiederholungen beobachtet werden, denn ohne Wiederholungen kann keine Statistik erstellt werden. Den Zusammenhang erkennt man an Wiederholungen und Variationen in diesen Wiederholungen.
Kausalität bezeichnet einen Kausalzusammenhang, der unabhängig von der Beobachtungsform von A und B und der Notwendigkeit von Wiederholungen zwischen A und B besteht. Der Kausalzusammenhang Zwischen A und B besteht kein kausaler Zusammenhang. Wenn sich A ändert, ändert sich auch B oder umgekehrt. Typischerweise beschreibt eine Differentialgleichung die allgemeine Beziehung zwischen A und B und die Randbedingungen beschreiben die konkreten Ausdrücke der Beobachtungen und die Wirkungsrichtung von A und B. Der Unterschied zwischen A und B ist der Unterschied zwischen A und B. Der Unterschied zwischen A und B ist die Differenz zwischen A und B. Darüber hinaus verlangt die Physik, dass die Beobachtungen nicht die Quelle der Modellierung sein dürfen, sondern aus einem unabhängigen Prinzip abgeleitet werden müssen. Oft wird zwischen den Beobachtungen von A und B und den zugrunde liegenden inneren Ereignissen oder Zuständen unterschieden. Beobachtungen und Modelle können verwendet werden, um innere Zustände abzuleiten. Man muss jedoch immer sagen, was eine Randbedingung ist, die dem Status eines Einstellparameters im Sinne einer Wirkungsursache entspricht. Wenn man den Zusammenhang eines solchen Parameters modelliert und das Ergebnis validiert, besteht einfach a priori ein kausaler Zusammenhang. Potenziell kausale Zusammenhänge entstehen immer dann, wenn ein Mensch ein technisches Gerät ausprobiert und dadurch eine Beobachtung zu einem Parameter oder einer Randbedingung erhebt, diese kontrolliert verändern kann und sie mit weiteren Beobachtungen in einen Zusammenhang stellt. Dadurch wird gezielt ein direkter Ursache-Wirkungs-Zusammenhang aufgebaut und der Zusammenhang systematisch von Umwelteinflüssen isoliert. Den Zusammenhang erkennt man an der systematischen Vereinfachung und Isolierung von Einflüssen.
Auch wenn im Hintergrund eine unbekannte dritte Einflussgröße wirkt und vollständig für die Ausdrücke zweier Beobachtungen verantwortlich ist, kann der Ausdruck von A nicht unabhängig davon geändert werden B, ohne dass diese Ausdrücke durch die dritte Einflussgröße möglich sein müssen. Daher ist es nicht möglich zu unterscheiden, ob es einen dritten Einfluss gibt, wenn B perfekt aus A vorhergesagt werden kann.
Lassen Sie mich ein Beispiel geben. Nehmen wir eine sich öffnende und schließende Tür. Zum einen bestimmen wir den Öffnungswinkel mit einem Winkelmesser, zum anderen machen wir ein Foto der Szene. Beides sind unabhängige Beobachtungen. Stellen Sie sich vor, Sie können den Winkel direkt ändern. Die Frage ist, wie sich das auf das Bild auswirkt. Zu diesem Zweck modellieren wir die Beziehung zwischen Winkel und Bild, um das Bild basierend auf dem Winkel vorherzusagen. Bei Beobachtungen gilt mittlerweile, zumindest in der klassischen Physik, dass Ereignisse nur beobachtet werden und Beobachtungen keinen Einfluss auf Parameter haben sollten, zumindest in einem guten Versuchsaufbau. Nun zieht ein Mensch, der dritte Einfluss in unserem Beispiel, zu unterschiedlichen Tageszeiten an der Angelschnur und die Bildveränderung hängt nicht nur von der Position der Tür, sondern auch vom Umgebungslicht ab. An der grundsätzlichen Beziehung zwischen Bild und Blickwinkel ändert sich dadurch nichts. Wenn man diese beiden Merkmale mit geeigneten mathematischen Methoden aus dem Bild extrahiert, korreliert ein Merkmal mit dem Winkel und das andere Merkmal mit der Tageszeit, während Winkel und Tageszeit nicht korrelieren.
Das Vorhandensein von Zusätzliche Funktionen würden dazu führen, dass die Ursache der Variation der Pixelwerte je nach Tageszeit und Winkel nicht vollständig vorhergesagt werden kann. In diesem Fall besteht eine Informationslücke.
Dieser zusätzliche Freiheitsgrad des Bildes ist aus informationstheoretischer Sicht interessant und sorgt für unvorhersehbare Überraschungen. Aus verfahrenstechnischer Sicht bedeutet dies jedoch nichts weiter als einen unsicheren Prozess. Natürlich wäre es am besten, wenn das Bild, sofern es sich um ein Qualitätsmerkmal handelt, vollständig aus unabhängigen Informationsquellen vorhergesagt werden könnte. Dann ist das Bild aus informationstheoretischer Sicht langweilig und der Prozess stabil. Jedes unerwünschte Merkmal kann auf ein bestimmtes Merkmal einer Beobachtung zurückgeführt werden, das im Idealfall ein beeinflussbarer Parameter ist. Im Hinblick auf die Frage, ob Korrelation und Kausalität für KI noch eine Rolle spielen, würde ich sagen, dass gerade die nicht korrelierenden und unbekannten Zusammenhänge für KI-Anwendungen von größtem Interesse sind. Diese können sowohl eine Gefahrenquelle als auch zumindest immer eine Quelle neuer Erkenntnisse sein. Eine auf neuronalen Netzen basierende KI, die nur das vorhersagt, was bereits bekannt ist, insbesondere wenn sie übermäßig trainiert werden muss, und das Unbekannte nicht als das Unbekannte einstuft, sondern einfach das nächstbekannteste interpretiert, ist dazu nicht in der Lage. Das Prinzip der Korrelation und Kausalität ist daher von besonderem Interesse, um das Prinzip der menschlichen Aufmerksamkeit, Neugier und Wachsamkeit zu adaptieren. Eine KI muss ihre eigenen Grenzen der Erkennung erkennen und jederzeit Aussagen dazu liefern, eine „Ich weiß, dass ich nichts weiß“-Fähigkeit, aber gerne in quantisierter und nicht binärer Form
Diese Fähigkeit wird es sein ein wesentliches Kriterium, um eine KI überprüfbar zu machen. Die Prüfbarkeit von Algorithmen wird voraussichtlich ab etwa 2025 das entscheidende Kriterium dafür sein, solche Algorithmen für die Automatisierung einzusetzen. Korrelation und Kausalität sind daher ein Top-Thema für KI.
