30、因果建模与人工智能在多领域的应用及挑战

因果建模与人工智能在多领域的应用及挑战

1. 因果推断方法概述

在因果推断中，有两种常见的方法。一种是在假设接近临界点的骑手在相关混杂变量（影响自变量和因变量的第三变量）方面彼此相似的情况下，观察高峰定价引入点处行程请求率的明显不连续性，若存在则表明提高价格超出该点对请求率有因果影响。

另一种是中断时间序列设计方法，即分析候选因果事件前后的时间序列数据结果，旨在预测事件发生瞬间时间序列的任何变化。用于因果推断的时间序列分析最流行的方法有合成控制和贝叶斯结构时间序列，谷歌提供的 Causal Impact 包就是用于贝叶斯结构时间序列分析的流行库之一。

2. 供应链中的因果建模应用

2.1 供应链中的公平性与库存分配

在零售的供应链中，公平性起着至关重要的作用。当零售商面临库存短缺和过剩的情况时，作为数据科学和机器学习专家，需要监督库存优化政策。评估公平分配要基于实际需求和当前可用库存容量。影响多个零售商公平库存履行（在不过度或缺货的情况下，使供需适当匹配）的因素如下：
- 零售商的公平库存分配，例如在处理需求不匹配时实现等利润、相同填充率或供应的平等份额。这由比例分配政策（在库存不足或稀缺时最佳）和过剩库存的平均分配（在库存过剩时使用）来管理。

在为多个零售商服务的集成供应链网络中，考虑一个公共库存池，总库存分配到零售商层面，总成本在多个零售商地点之间分配。库存补充和履行订单到达仓库，在以下场景中会纳入公平性约束：
- 满足行业公平感知，包括公平定价和公平工资等要素。
- 所有零售商的总需求超过可用供应。
- 多个供应商的总供应超过需求。
- 多个零售商从同一供应