Wat is Do-Calculus?

Wat is Do-Calculus eigenlijk?

Stel je voor: je ziet dat mensen die veel koffie drinken minder vaak hoofdpijn hebben. Betekent dat nu dat koffie hoofdpijn voorkomt? Of slapen koffiedrinkers misschien gewoon beter, en is dat de échte reden? Dit soort vragen — over oorzaak en gevolg — zijn verrassend lastig te beantwoorden, zeker als je niet elk detail van iemands leven kunt controleren.

Do-Calculus is een wiskundig gereedschap waarmee je kunt uitrekenen of je van een correlatie (dingen die samen voorkomen) naar causaliteit (het ene veroorzaakt het andere) mag stappen. Het is bedacht door Judea Pearl, een computerwetenschapper die in 2011 de Turing Award kreeg voor zijn werk aan causale redenering.

De naam komt van het woord "do" — als in: "wat gebeurt er als we íets doen?". In plaats van alleen maar te observeren ("mensen die koffie drinken hebben minder hoofdpijn"), wil je weten: "wat gebeurt er als we mensen actief koffie laten drinken?". Do-Calculus geeft je drie rekenregels waarmee je kunt bepalen of je die vraag kunt beantwoorden, zelfs als je niet iedereen willekeurig koffie kunt laten drinken in een experiment.

Hoe werkt het in de praktijk?

Do-Calculus werkt met causale diagrammen — netwerkjes van pijlen die laten zien wat volgens jou wat veroorzaakt. Stel: "roken → longkanker", "genetica → longkanker", "genetica → rookgedrag". Zo'n diagram heet een causaal model.

Via drie rekenregels (die nogal abstract zijn, dus we laten de formules achterwege) kun je uitvogelen:

• Mag ik een waargenomen verband interpreteren als oorzaak-gevolg? Soms wel, soms niet — afhankelijk van hoe de pijlen lopen.

• Welke variabelen moet ik meten om een zuiver antwoord te krijgen? Bijvoorbeeld: als je wilt weten of een medicijn werkt, moet je misschien leeftijd meenemen in je analyse, maar niet de bloeddruk die het medicijn juist beïnvloedt.

• Kan ik iets concluderen zonder een experiment? Soms kun je uit bestaande data toch causale conclusies trekken, als je diagram klopt.

Het klinkt abstract, maar de impact is groot: Do-Calculus helpt je te voorkomen dat je denkt dat A het veroorzaakt van B, terwijl er eigenlijk een derde factor C is die beide veroorzaakt.

Waarom maakt AI hier gebruik van?

AI-modellen zoals neural networks zijn geweldig in het vinden van patronen, maar ze begrijpen niet wat oorzaak en gevolg is. Een model kan leren dat "mensen met gele vingers vaker longkanker krijgen", zonder te snappen dat roken de échte oorzaak is — gele vingers zijn gewoon een bijverschijnsel.

Do-Calculus en causale AI proberen dat te verbeteren. Als je een AI-model bouwt dat begrijpt welke variabelen elkaar veroorzaken, kun je:

• Betere voorspellingen doen bij veranderingen. Een correlatie-model faalt als de wereld verandert (bijvoorbeeld: een nieuw rookverbod). Een causaal model kan anticiperen op wat er gebeurt als je ingrijpt.

• Eerlijkere beslissingen nemen. Bij kredietaanvragen of sollicitaties wil je weten of iemands achtergrond écht invloed heeft op prestaties, of dat je een schijnverband ziet.

• Interventies simuleren. "Wat gebeurt er als we beleid X invoeren?" — daar heb je causaliteit voor nodig, geen correlatie.

Do-Calculus is de wiskundige fundering onder veel van dit onderzoek. Het wordt niet direct in ChatGPT of Copilot gebruikt, maar wel in gespecialiseerde AI-systemen voor medische diagnostiek, beleidsadvisering en wetenschappelijk onderzoek.

Waar kom je het tegen?

Do-Calculus zelf is vrij specialistisch — je ziet het vooral in:

• Onderzoeksomgevingen: wetenschappers die epidemiologie, economie of sociale wetenschappen doen, gebruiken tools zoals DoWhy (Microsoft), CausalML of Causal Fusion om causale analyses uit te voeren.

• AI-labs en tech-bedrijven: bedrijven als Google DeepMind, Microsoft Research en Meta AI publiceren papers over causale AI, vaak met Do-Calculus als basis.

• Beleidsmodellen: bijvoorbeeld bij het inschatten van effecten van een nieuwe wet of subsidieregeling — wat gebeurt er als we X veranderen, zonder dat we het echt kunnen uitproberen?

• Medische AI: bij het bepalen of een behandeling werkt, terwijl je niet iedereen willekeurig kunt behandelen (bijvoorbeeld bij zeldzame ziektes).

Voor de gemiddelde gebruiker blijft Do-Calculus onzichtbaar, maar het is wel één van de gereedschappen die nodig zijn om AI van "slim patroonherkennen" naar "écht begrijpen" te tillen.

Wat kun je ermee als je geen wiskundige bent?

Je hoeft de rekenregels niet te kennen om het principe te begrijpen: correlatie is geen causaliteit. Als je data analyseert — of dat nu verkoopdata, websitegebruik of HR-cijfers zijn — vraag jezelf dan af: "Zie ik hier een patroon, of begrijp ik ook waaróm het zo werkt?"

Do-Calculus helpt AI-systemen (en wetenschappers) om die vraag systematisch te beantwoorden. Voor jou betekent het: wees sceptisch als een dashboard zegt "X en Y hangen samen" — vraag door naar oorzaak en gevolg voordat je grote beslissingen neemt.