에이전트 시대의 인과 발견 (Causal Discovery)

최근 거대 언어 모델 (LLMs)을 인과 발견 (Causal Discovery)과 결합하려는 시도들은 모델이 쌍별 방향 (pairwise directions)을 추론하거나, 그래프 구조를 제안하거나, 언어 모델의 출력을 사전 확률 (priors) 및 제약 조건 (constraints)으로 주입하도록 요구합니다. 이러한 접근 방식은 더 빠른 분석을 약속하지만, 인과적 증거가 데이터와 가정에 의해 뒷받침되는지, 아니면 텍스트 연관성, 프롬프트 아티팩트 (prompt artifacts) 및 환각된 메커니즘 (hallucinated mechanisms)에 의한 것인지 모호하게 만듭니다. 우리는 인과 발견에서 에이전트 (agents)의 역할이 달라야 한다고 주장합니다. 에이전트는 데이터를 검사하고, 컨텍스트를 검색하며, 방법론적 가정을 설명하고 그래프 출력을 명확히 해야 하지만, 엣지 (edges), 방향 (orientations), 사전 확률 (priors), 제약 조건 (constraints) 또는 인과적 결론을 직접 제공해서는 안 됩니다. 우리는 에이전트가 워크플로우를 보조하는 반면, 인과적 주장 (causal claims)은 데이터, 명시적 가정, 공식 알고리즘, 진단 및 사용자 또는 도메인 전문가의 결정에 근거로 남아야 한다는 원칙을 제안합니다. 우리는 이러한 원칙을 causal-learn의 알고리즘 생태계를 중심으로 데이터 분석, 전처리, 방법론 추천, 전문가 지식 통합, 공식적 발견 및 해석을 조정하는 온라인 플랫폼인 causal-learn+에 구현합니다. Big Five 성격 데이터에 대한 사례 연구는 언어 모델의 불확실성을 인과적 증거로 변질시키지 않으면서 에이전트가 지원하는 인과 발견 파이프라인을 보여줍니다. 플랫폼은 causallearn.com에서 이용 가능합니다.