Wat is Causal Graph?

Wat is een Causal Graph?

Een causal graph is een diagram dat laat zien welke variabelen elkaar beïnvloeden — en in welke richting. Het is eigenlijk een stroomschema van oorzaak en gevolg. Stel je voor: je tekent cirkels voor dingen als 'temperatuur', 'ijsverkoop' en 'verdrinkingen'. Dan trek je pijlen: temperatuur → ijsverkoop, en temperatuur → verdrinkingen. Geen pijl van ijsverkoop naar verdrinkingen, want het ene veroorzaakt het andere niet — ze delen alleen een gemeenschappelijke oorzaak (warm weer).

Dit klinkt simpel, maar het is cruciaal. Traditionele machine learning ziet alleen correlaties: "als ijsverkoop stijgt, stijgen verdrinkingen". Een causal graph dwingt je om te zeggen: "wacht, dat komt beide door de hitte".

Waarom is dit belangrijk voor AI?

De meeste AI-modellen leren patronen zonder te snappen wat waardoor komt. Ze zien dat A en B vaak samen voorkomen, en gaan daar iets mee doen — zonder te weten of A veroorzaakt B, of dat er iets anders achter zit.

Dat gaat mis zodra de wereld verandert. Stel: een model voorspelt ziekenhuisopnames op basis van symptomen. Het ziet dat "hoesten" en "koorts" vaak samen gaan met opname. Maar als er ineens een nieuw virus komt, of een ander protocol, klopt de voorspelling niet meer — want het model begreep niet waarom die symptomen tot opname leidden.

Met een causal graph probeer je dat wél vast te leggen. Je tekent: "virus → koorts → beslissing arts → opname". Nu kun je redeneren: als het protocol verandert, beïnvloedt dat de pijl tussen koorts en opname. Zo wordt je AI robuuster en minder kwetsbaar voor veranderingen.

Hoe bouw je zo'n graph?

Er zijn drie manieren:

• Handmatig: experts uit het vakgebied tekenen de relaties op basis van domeinkennis ("we weten dat roken longkanker veroorzaakt").

• Data-driven algoritmes: speciale methoden zoals constraint-based learning of score-based search proberen causale relaties af te leiden uit data — maar dat blijft lastig, want correlatie is geen causaliteit.

• Hybride: combinatie van domeinkennis en data, vaak het meest betrouwbaar.

Eenmaal gebouwd, kun je met de graph interventies simuleren: "wat gebeurt er als ik variabele X verander?" Dat heet causal inference. Het is de brug tussen observeren en ingrijpen.

Een voorbeeld uit de praktijk

Stel: je bent een zorgverzekeraar en wil weten of een nieuw medicijn écht helpt, of dat mensen die het krijgen toevallig ook gezonder leven. Je bouwt een causal graph:

medicijn → gezondheid leefstijl → gezondheid inkomen → leefstijl inkomen → toegang tot medicijn

Nu zie je: inkomen beïnvloedt zowel leefstijl als of iemand het medicijn krijgt. Dat heet een confounder — een variabele die zowel de oorzaak als het gevolg beïnvloedt. Met de graph kun je daar statistisch voor corrigeren, en zo het échte effect van het medicijn isoleren.

Zonder die graph zou je AI misschien concluderen: "mensen met het medicijn zijn gezonder" — maar dat komt deels door hun inkomen en leefstijl, niet alleen door het medicijn.

Waar kom je het tegen?

Causal graphs worden vooral gebruikt in:

• Medisch onderzoek: om te bepalen of een behandeling werkt, los van andere factoren

• Economie en beleid: om te voorspellen wat er gebeurt als je een maatregel invoert (bv. belastingverhoging)

• Marketing: om te snappen of een campagne sales verhoogt, of dat er andere redenen zijn

• AI-veiligheid: om te begrijpen hoe een model beslissingen neemt en wat er misgaat bij onverwachte input

Tools en frameworks die hiermee werken zijn onder andere DoWhy (Microsoft), CausalNex (Quantumblack), Ananke, en diverse R-pakketten zoals bnlearn en pcalg. Ook binnen Python-bibliotheken als PyMC en pgmpy zie je causal modeling opduiken.

Beperkingen

Causal graphs zijn krachtig, maar niet magisch. Het grootste probleem: je moet de juiste variabelen en pijlen kiezen. Eén gemiste confounder en je conclusies kloppen niet. Bovendien zijn veel relaties in de echte wereld niet lineair of statisch — ze veranderen over tijd, of werken alleen onder bepaalde condities.

Toch is het een enorme stap vooruit ten opzichte van "gewoon correlaties fitten".

Wat kun je er nu mee?

Als je met AI werkt waarbij beslissingen ertoe doen — gezondheidszorg, financiën, overheidsbeleid — dan is het waardevol om te vragen: "wat veroorzaakt eigenlijk wat?" Probeer eens op papier een simpele causal graph te tekenen voor je eigen vraagstuk. Welke variabelen beïnvloeden elkaar? Waar zitten de confounders?

Het dwingt je om scherper na te denken dan "laat de AI het maar uitzoeken". En dat maakt je model niet alleen slimmer, maar ook eerlijker en robuuster als de wereld verandert.