Oficina de Vinculación

El Dr. Enrique Sucar publica libro sobre descubrimiento causal

Causal Discovery. Foundations, Algorithms and Applications es el título del libro del doctor Luis Enrique Sucar Succar que recientemente publicó la editorial Birkhäuser, de Springer. Este libro presenta una visión general del descubrimiento causal, un campo emergente con importantes avances en los últimos años y múltiples aplicaciones en diversos campos.

De acuerdo con la página de Springer Nature Link, el libro incluye una revisión de la probabilidad y la teoría de grafos, redes bayesianas, modelos gráficos causales y razonamiento causal, así como de los últimos avances en el campo tales como la optimización continua, las redes de eventos causales, el descubrimiento causal bajo submuestreo, los modelos causales específicos de cada sujeto y el aprendizaje causal por refuerzo. También abarca los principales tipos de descubrimiento causal y proporciona ejercicios por capítulo, incluyendo sugerencias para proyectos de investigación y programación.

Puede utilizarse como libro de texto para un curso avanzado de grado o posgrado sobre descubrimiento causal para estudiantes de informática, ingeniería, ciencias sociales, o como complemento a un curso sobre causalidad, junto con otro texto sobre razonamiento causal, o como referencia para profesionales que deseen aplicar modelos causales en diferentes áreas, o para cualquier persona interesada en conocer los fundamentos de estas técnicas. Está dirigido a estudiantes y profesionales de informática, estadística e ingeniería e incluso de otras áreas.

En entrevista, el Dr. Sucar explica: “El tema de los modelos causales es algo relativamente reciente en inteligencia artificial y en otras áreas. Básicamente la idea es cómo puedo construir o aprender modelos que me representen relaciones causa-efecto entre diferentes variables, que vayan más allá de puras correlaciones; porque lo que tradicionalmente se aprende en estadística o en machine learning son correlaciones: las variables están relacionadas, pero no sabemos cuál es la causa y cuál el efecto. Conocer esto es muy interesante en varias áreas, por ejemplo, en medicina, economía, mercadotecnia, entre otras; lo que permite comprender más a fondo un fenómeno y hacer otro tipo de razonamientos: predecir el efecto de intervenciones e “imaginar” que hubiera sucedido si cambiara la situación. Un ejemplo de intervenciones fueron los experimentos que se hicieron para saber si la vacuna del COVID ayudaba, para ello se hacen estas pruebas clínicas con placebos y con la vacuna, lo que corresponde a una intervención”.

Un ejemplo de la utilidad de este tipo de modelos es la siguiente: “Si tienes un modelo causal puedes simular la intervención en el modelo sin tener que hacerla en el mundo real, lo que sería mucho más costoso. En mercadotecnia, por ejemplo, si se consideran varias estrategias de publicidad y se cuenta con un modelo causal de cómo reacciona la gente, se podría probar diferentes estrategias sobre el modelo; para eso se requiere un modelo causal, no sirve un modelo estadístico tradicional.  El libro está enfocado a cómo aprender estos modelos causales de datos”.

El libro Causal Discovery. Foundations, Algorithms and Applications, del doctor Sucar, es el resultado de un trabajo de alrededor de dos años. Se publicó a finales de 2025. Para mayor información consultar: https://link.springer.com/book/10.1007/978-3-031-98345-0