في عالم الذكاء الاصطناعي، نشهد باستمرار تطورات تكنولوجية مذهلة. أحد هذه التطورات هو بحث جديد يتعلق بـ "كان-دو-كالكولس" (Kan-Do-Calculus)، الذي يعكس العلاقة المعقدة بين الملاحظة السلبية والتدخل النشط في تحليل الأسباب. تم تقديم خوارزميتين جديدتين لاكتشاف الأسباب المخفية، استنادًا إلى نتائج الهندسة المعلوماتية والهندسة الفئوية التي تفترض أن تدفقات التدخل يمكن أن تكشف عن بنى كامنة لم تُصور في السابق.

تعرّف على الخوارزمية الأولى، المعروفة باسم "BRIDGE" (منتجات البراكت لكشف الأسباب وتقدير الهندسة)، والتي تستخدم محركات الكثافة التدخلية لاقتراح مجموعة من السهام القابلة للتطبيق. هذه الخوارزمية قادرة على تحديد أزواج غير مغلقة، والتي تمثل عوامل مُعطلة كامنة. وفور تحديدها، يتم تمرير هذه البيانات إلى روتينات اكتشاف تعتمد على تقديرات جديدة.

أما الخوارزمية الثانية، وهي "Spectral Kan-Do Flow Matching" (SKFM)، فهي تعمل على تعلم مجالات التدخل المتداخلة، وتكشف عن انحناءات كامنة بطرق تجعل استنتاجاتها أكثر دقة وفعالية. عبر تجارب شاملة، أثبتت الخوارزميتان قدرتهما الفائقة على اكتشاف نماذج سببية معقدة تمتاز بوجود عوامل مُعطلة، مما يتيح للمستخدمين فهم العوامل الخفية في البيانات.

إن هذه الرؤى الجديدة تفتح أفقًا جديدًا في البحث عن الأسباب. فبدلاً من الطرق التقليدية التي تعتمد على النمذجة الصارمة، يتيح لنا هذا البحث الجديد استنتاج البنى الكامنة مباشرة من الهندسة المتعلقة بالتدفقات الناتجة عن التدخلات. لذلك، فإن الدمج بين الذكاء الاصطناعي والهندسة يُعد نقلة نوعية في فهم النظريات السببية المعقدة.