Causal AI

Tratado integral publicado por Manning en el que Robert Osazuwa Ness traslada la inferencia causal moderna al terreno práctico de los ingenieros de inteligencia artificial y deep learning con Python. La obra rompe con la limitación del aprendizaje automático convencional —que únicamente detecta asociaciones y correlaciones pasivas— y con la tradición puramente econométrica de la causalidad, dotando al lector de herramientas computacionales para estimar intervenciones y razonar sobre escenarios contrafácticos («qué pasaría si»). Está orientado a científicos de datos, ingenieros de machine learning e investigadores de IA de nivel intermedio o avanzado con experiencia en modelado probabilístico, redes neuronales y álgebra lineal.

El contenido profundiza en el modelado generativo probabilístico y la formulación de grafos dirigidos acíclicos (DAG) mediante comprobaciones de d-separación e independencia condicional. Introduce los modelos causales estructurales (Structural Causal Models o SCM), el cálculo de intervenciones de Pearl (do-calculus) y los algoritmos de identificación contrafáctica en mundos paralelos. Enseña a entrelazar estas estructuras causales con modelos de aprendizaje profundo y espacios latentes, aplicando causalidad en flujos de toma de decisiones con Reinforcement Learning (Causal RL), evaluación de atribución y mitigación de correlaciones espurias en grandes modelos de lenguaje (LLMs). Las herramientas y librerías clave empleadas son Python, PyTorch, Pyro (programación probabilística), DoWhy y NetworkX.

A lo largo de sus capítulos se construyen modelos gráficos probabilísticos ejecutables, simuladores de efectos causales con Pyro y agentes de decisión causal mediante aprendizaje por refuerzo, aplicados a escenarios de toma de decisiones empresariales y gobernanza de algoritmos. La gran aportación del libro es unificar formalmente la teoría causal de Judea Pearl con los frameworks de deep learning de producción más potentes de la industria. Su densidad teórica y matemática es considerable y deja fuera la analítica de negocio básica o los modelos tabulares simples de inferencia estadística tradicional. Conviene tener un manejo sólido de PyTorch y fundamentos de probabilidad bayesiana antes de adentrarse en su lectura.