- Photo
- —
- Name
- —
- Ano
- 2019 (artigo de apresentação)
- Autores principais
- Sharma, Kiciman, Ranganath, Shanmugam
- Área
- Inferência causal / engenharia de dados
- Principal ideia
- Mostra uma biblioteca que operacionaliza modelos causais explícitos, de DAGs a estimação e checagens de robustez.
- Por que é importante
- Tira causalidade do mundo só teórico e coloca perto do workflow de dados que a gente realmente usa.
- Aplicação no dia a dia
- Serve de inspiração pra pensar em experimento, A/B test e efeito de campanha além do velho correlação não é causa.
- Dificuldade de leitura
- Média; precisa de base mínima de causalidade, mas o foco é bem prático.
- Minha vibe
- É como trocar aquele chute de fora da área aleatório por jogada ensaiada: mais trabalho, mas muito mais confiável.
TheLysts