Kausalität statt Korrelation

Kurz: Zwei Dinge können gemeinsam auftreten, ohne dass eines das andere verursacht. Maschinelles Lernen findet Korrelationen. Ob ein Eingriff etwas bewirkt, ist eine Frage der Kausalität.

Klassische Fallen

• Gemeinsame Ursache (Confounder): Eisverkauf und Sonnenbrände steigen zusammen, beide hängen am Sonnenwetter. Eis verursacht keinen Sonnenbrand.
• Umgekehrte Richtung: Wer viel Medizin nimmt, ist öfter krank. Die Krankheit ist die Ursache, nicht die Medizin.
• Zufall: Bei sehr vielen Vergleichen finden sich immer zufällige Zusammenhänge.

Wie man Kausalität prüft

1. Randomisierte Experimente (A/B-Tests): Man teilt zufällig in Gruppen. Weil der Zufall entscheidet, gleichen sich Störfaktoren im Mittel aus. Das ist der Goldstandard.
2. Beobachtungsdaten mit Annahmen: Man modelliert Ursache-Wirkung-Beziehungen, oft als Kausalgraph, und rechnet Störfaktoren heraus (Regression, Matching, Instrumentvariablen).
3. Natürliche Experimente: Zufällige Unterschiede in der Realität, etwa eine Regeländerung in nur einer Region.

Warum das für KI wichtig ist

Ein Modell, das nur Korrelationen kennt, bricht, wenn sich die Welt ändert. Und wer Erklärungen aus Erklärbare KI: SHAP und LIME als Ursachen liest, zieht falsche Schlüsse. Auch bei Verzerrung und Fairness ist die Frage nach den Ursachen zentral, siehe Verzerrung, Fairness und Datenqualität.

Siehe auch: Wahrscheinlichkeit, Entropie und KL-Divergenz