邁向決策式AI：提供反事實的建議

1   認識反事實思考

計算機科學界諾貝爾獎「圖靈獎」得主Judea Pearl(珀爾) 在他的開創性著作《The Book of Why》一書里，提到了「因果關系階梯」(Ladder of Causality)的概念。他指出了這個階梯上的三個梯級——聯想(Association)、干預(Intervention) 和反事實(Counterfactuals)。其中，最頂級的是反事實梯級，位于這梯級的思考者可以想象(Imaging) 不存在的世界并推斷觀察到的現象，并試圖去了解事件的起因來深刻理解問題緣由。因而他們能夠考慮在第1 層或第2 層級所無法想象到的一些場景( 圖-1)。

圖-1 因果關系階梯

近年來，許多專家用心研究反事實推理對人們決策(Decision-making)的影響，其提倡決策者應該根據反事實來評估可能采取的替代性方案或行動。其中的反事實推理意味著思考過去或未來事件的替代可能性。當一個人修改先前的事實事件，然后評估該變化的后果時，就會出現反事實思考了。例如，人們常常會透過想象某些因素可能會有所不同來反思車禍的結果，便能為已經發生的生活事件創造可能的替代方案，于是出現反事實思考：「如果我沒有分心聽歌，而無意中超速，就不會發生車禍。」

2   讓AI來參與反事實推理

反事實思考使人們能夠探索最初可能沒有考慮過的< 替代性> 路徑和解決方案。換句話說，參與反事實推理可以透過鼓勵個人考慮< 替代方案> 來激發創意，幫助人們以不同的方式看待事物，從而帶來創造性的發現。因而人們能根據預期結果調整自己的行動來增強未來規劃，從而獲得更成功的行動方案和效果。

于是，也可以讓AI 來探索創造性的< 替代方案>，并與人類協作參與反事實推理，將能幫助人們以不同的方式看待事物，從而帶來創造性的發現。使得人們能根據預期結果調整自己的行動來增強未來規劃，從而獲得更成功的行動方案和效果。人們基于AI 提供的替代性方案，就可以深入了解新的可能性和創新方法，透過擴大考慮的解決方案的范圍來幫助解決問題。它促使個人跳出框框思考并評估不同的結果，因而可以找出最初可能并不明顯的新穎解決方案。

3   訓練AI模型，來提供替代方案

茲以食譜的創新與推薦為例，來說明AI 模型的規劃與訓練流程。透過這項< 反事實推理> 流程，不僅能說明發現新的食材組合，還能模擬用戶的偏好變化對推薦結果的影響，從而為個性化推薦和食材創新提供強有力的支持。例如，透過GCN 模型可以仿真“如果用戶偏好發生變化，食材組合會如何變化”的反事實思考步驟。并能推測出使用者未嘗試過但可能感興趣的食材組合，從而生成更具創意和吸引力的食譜。這種方式不僅能推薦使用者偏好的食材，還能引導用戶嘗試新的搭配，促進食譜的創新和多樣化。

階段一、訓練GCN模型獲取食材嵌入

訓練GCN 模型獲取原始的食材嵌入(Ingredient embedding)，通過食材圖譜(Graph) 的關系學習每個食材的特征表示。例如，有6 種食材( 蔥、蛋、鹽、糖、蒜和胡椒)，以及其關系( 圖-2)，可以使用圖結構來表示之。

圖-2 食材圖譜

接著，就讓GCN模型來從食材圖譜的關系中，學習每個食材的潛藏空間向量表示，這通稱為：食材嵌入。于是，就撰寫Python程序代碼來實踐GCN，執行時輸出食材嵌入，如下：

這些嵌入將為后續的推薦和反事實生成提供關鍵特征。

階段二、訓練另一個GCN模型，獲取反事實連結

基于用戶喜愛的食材關系，構建推薦GCN，生成新的< 用戶- 食材> 的潛在連結，又稱為：反事實連結(Counterfactual Links)，簡稱為：CF_Links。這利用GCN 來推薦新連結( 即CF Links)，這一步可仿真用戶對新食材組合的潛在偏好，是推薦系統的核心。這種方式將用戶行為與食材特征結合起來，通過生成新的連結，能夠發現潛在的< 用戶- 食材> 關系，成為反事實分析的基礎。例如，有4 位用戶(User)，其喜愛食材(Item)的關系( 圖-3)，可以使用圖譜結構來表示之。

圖-3 <用戶-食材>圖譜

接著，就來建立另一個GCN模型來從< 用戶- 食材> 圖譜的關系中，展開學習并推測出用戶可能感興趣的新食材組合，然后把這項新食材推薦給該用戶。于是，就撰寫Python程序代碼來實踐GCN，并生成CF_Links，如下：

這程序生成了CF_Links表，從表中可以看出來，針對User-0探索出兩條新連結：[0, 2] 和[0, 3]。在從兩條之間挑出一條比較緊密的關聯( 即[0, 2])，于是就推薦食材-2 給他。同樣地，針對User-1 探索出一條新連結：[1, 0]。于是就推薦食材-0 給她。這些CF_Links表示用戶對食材的反事實偏好( 即用戶對不同食材的潛在興趣)，就能為用戶推薦最相關的食材組合( 圖-4)。

圖-4 基于CF_Links來推薦

這樣就生成了個性化推薦清單。例如，為用戶推薦他們可能感興趣的食材創新組合。

階段三、訓練另一個GCN模型，構建反事實的食材圖譜

本階段的任務是：利用反事實鏈接(CF_Links) 為目標，來訓練一個反事實GCN模型，生成新的食材嵌入，來構建反事實的食材圖譜。這三階段流程不僅能說明發現新的食材組合，還能發揮反事實思考，想象用戶偏好變化對推薦結果的影響，從而為個性化推薦和食材創新提供極大助力。于是，就撰寫Python 程序代碼來實踐反事實GCN 模型，并生成食材之間的CF_Links，如下：

這程序生成了新的連結：食材-4與食材-5。其表示食材與食材的反事實連結( 圖-5)。

圖-5 食材的反事實連結

這程序生成了新的連結：食材-4 與食材-5。就能逐步生成食材創新組合，而創造新食譜。例如：原來的食譜X = { 食材-2, 食材-5}。就有可能把食材-4 添加到原來食譜X 里了。

4   結束語：邁向決策式AI

當食材-4 與食材-5 之間的相似度，除了考慮它們與用戶之間的喜愛度之外，還能考慮這兩種食材之間的口味相似度，就有可能建議以食材-5 來替換食譜X里食材-4 了，就成為用戶選擇食譜X 時的替代決策方案。例如針對上述圖-3 里的每一條連結，都提出一個替代性方案。如下：

除了飲食決策之外，上述的GCN模型也可應用于其他領域，例如在醫藥方面的文章：《基于藥物相互作用的慢性病決策支持系統》(Decision Support System for Chronic Diseases Based on Drug-Drug Interactions)， 也有很精采的應用和效果。這篇文章提出了DSSDDI 決策支持系統，其基于藥物之間的相互作用來支持醫生開藥決策。

（本文來源于《EEPW》202411）