Parte IV · Cap. 19 — Rede Bayesiana
Probabilística · Inferência causal/diagnóstico · Grafo acíclico dirigido (DAG). Representa dependências condicionais entre variáveis e infere probabilidades posteriores. Card:
../02-tipos-de-ia/03-probabilistica.kmd.
🎨 Figura
F-IV.19.0— Crença que se propaga. Brief: DAG de variáveis (ex.: sintoma→doença) com tabelas de probabilidade; evidência observada atualizando posteriores pelo grafo.
1. Definição e história curta
Modelo gráfico probabilístico (Judea Pearl, anos 1980-90; Turing Award 2011) que fatora uma distribuição conjunta por dependências. Base do raciocínio causal.
2. Fundamentos
- Probabilidade — regra de Bayes, independência condicional.
- Teoria de grafos — DAG, d-separation.
- Inferência causal — do-calculus, intervenções.
- Estatística — estimação de parâmetros.
3. Algoritmos e arquiteturas
- Estrutura — DAG + tabelas de probabilidade condicional (CPTs).
- Inferência exata — variable elimination, junction tree.
- Inferência aproximada — belief propagation, MCMC, variacional.
- Aprendizado — de estrutura e de parâmetros (a partir de dados).
4. Insumos
- Hardware: CPU; inferência pode ser cara (NP-difícil no geral).
- Dados: observações para estimar CPTs; conhecimento de domínio para estrutura.
- Estruturas de dados: DAG, CPTs, factor graphs.
- Sistemas: pgmpy, bibliotecas de inferência probabilística.
5. Ciclo de vida especializado
| Etapa | Especialização |
|---|---|
| 0 Problema | Diagnóstico/risco com incerteza e necessidade de explicação causal |
| 1 Dados | Observações + conhecimento de estrutura |
| 2 EDA | Correlações, independências, dados faltantes |
| 3 Modelagem | Definir/aprender DAG; CPTs |
| 4 Treino | Estimar parâmetros (e estrutura) dos dados |
| 5 Avaliação | Calibração, log-likelihood, acerto diagnóstico |
| 5.5 Homologação | Validar estrutura causal com especialistas |
| 6 Produção | Inferência posterior dada evidência; explicável |
| 7 Monitoramento | Drift de distribuição |
| 8 Retreino | Reestimar com dados novos |
| 9 Governança | Transparência causal, uso em decisão sensível |
6. Capacidades, modos e modalidades
Intelectual/diagnóstico: diagnóstico médico, avaliação de risco, raciocínio causal, fusão de sensores; incerteza calibrada e explicável.
7. Limites, riscos e ética
Inferência exata é cara; estrutura causal difícil de aprender; não escala a dados não-estruturados. Ponto forte: causalidade e interpretabilidade.
8. Estado da arte e exemplos
Diagnóstico, risco, causal inference (Pearl); convergência com deep learning em deep probabilistic models e causal ML; relevante onde causa importa mais que correlação.