Um dos principais desafios para a compreensão de como a interpretação das máquinas funciona é o estabelecimento de relações causais. Com o aumento do uso de dados observáveis em diversas áreas, algoritmos de aprendizado de máquina tornaram-se mais valiosos – e também mais complexos.
O uso de dados observáveis e o estabelecimento de relações causais são atributos comuns em sistemas de inteligência artificial utilizados para fazer previsões. Prever fenômenos e mudanças em reservatórios de petróleo com a ajuda da IA, por exemplo, é muito vantajoso para conhecer e melhorar a produção.
Com esse desafio em mente, pesquisadores do Recod.ai desenvolveram uma nova metodologia capaz de estimar causalidade em séries temporais para aplicação na produção petrolífera. O objetivo, com isso, é trabalhar com descobertas causais, estabelecendo conexões entre variáveis em diferentes bases de dados. Essa é a primeira vez que especialistas em IA utilizam análise causal baseada em dados sobre produção de petróleo para descobrir conexões entre reservatórios representados em uma base de dados.
Acesse aqui o artigo publicado.