对事件做出预测相对容易，但分析因果关系则是一件很困难的事。就像路上很多人带着雨伞，代表可能 会下雨，但雨伞不是下雨的原因。而当你想改变事件的结果时，了解因果关系就变得十分重要了，比如要阻止一场雨，不可能让所有人都不带雨伞。
美国一家公司Via Science，就希望能通过其专利性的因果分析技术，帮助电力、能源等公司找到电力系统中的风险所在。
公司CEO Colin Gounden向雷锋网(公众号：雷锋网)展示的下图，是对美国麻省周围各医院出现电力故障的分析。系统会分析电力路线、植被、海拔、天气、地理人口信息、金融市场等各类信息，得出风险值，并展示可能的原因所在。
经过一百多年的发展，电力系统已经是不可或缺的基础设施，而且形成了极其复杂的网络。电力公司想要的不仅是预测什么时候出现故障，更是想防止意外出现，这就需要找到导致电力事故的原因。
Gounden告诉雷锋网，公司的技术核心是因果分析平台Focus，它应用了UCLA教授Judea Pearl发明的贝叶斯网络，用于理解数据之间的关系。Pearl教授是2011年图灵奖得主。
简单来说，贝叶斯网络会引入更多变量来创造一个图(Graph)，从而看这些变量之间的相互关系以及如何改变。比如展示雨、雨伞与天色的关系，会看到灰色的天空与下雨有关系，也会看到下雨时没有雨伞 这个变量出现，但仍会出现灰色的天空。然后比较两种场景就会发现，灰沉的天空与下雨的关系更强，也就是它出现的原因。
Gounden表示，贝叶斯网络的优势是用到了图论(Graph Theory)，相比于神经网络，其运作过程有透明性，不是黑盒子。
他告诉雷锋网，贝叶斯网络两个特点：一是能让人类了解到底发生了什么;二是由于知道发生了什么， 就可以做出改变。而深度学习网络可以重新训练，但不能改变网络模型。
改变网络的理由是，可以让它的效果更好。比如，如果已经知道了天气会影响能源供给和购物的状况，就可以直接告诉计算机这种结果，而不用让它自己找到这种联系。把这些规则输入网络，可以节省计算时间。
另外一个理由是，可以在虚拟中模拟可能发生的情况，模拟某个变量可能产生什么样的结果。比如，在 现实中可能想了解，如果稍微改变电路，某片楼宇中的电力状况会发生什么变化?但不能真的这么做，用户不会想承受这种试验的结果，而在计算机中可以做这种模拟。
Gounden毕业于哈佛大学，是一位连续创业者，他曾创立了两家公司并成功退出，其中一家在1999年以9800万美元的价格被收购。他在2000年联合成立GNS Healthcare公司，也是用因果贝叶斯网络分析基因等健康数据。再后来，他们开始寻找其它同样可以应用机器学习的行业，并在去年8月成立了Via Science。
从健康到能源行业，跨度不可谓不大。不过他告诉雷锋网，两者有不少共性。
一是，考虑到从基因到蛋白质再到细胞的整个过程，它与能源从产生到经过复杂的网络再抵达终端用户，整个过程十分相似，有相似的架构。
二是两者很复杂，有成千上万的变量。人体与电力网络的复杂性是一样的，在规模上与复杂性上很相似。
三是问题的重要性。对人体来说，你不可能想做什么实验就做什么，临床试验的成本很高。电力系统也一样，不可能直接关掉某个地方的电源，看看会发生什么变化。而对于某地区是否应该新建发电厂这样的问题， 由于建厂需要数年的时间，不可能等几年再看看到底会有什么影响，这需要事先模拟。
对于新领域，数据是一个难点。机器学习需要的数据，但没有成功的案例也就没有数据。所以Via Science的做法是不要求用户提供数据，而是使用公开数据。公开数据的丰富程度，也是他们考虑新应用的重要标准。
Gounden告诉雷锋网，如果想知道接下来的几分钟哪里可能断电，这需要实时的数据;但如果想知道未来几年中，电力设施会出现哪些风险，这就不需要实时数据，而是需要趋势数据，比如天气、人口、地 域等。
他们的系统中会用到了卫星图数据，无人机测绘数据。这样可以看到建筑物、电力设施都在哪，而这些 数据不需要获得授权。
当然，如果有员工工作年限、专家评估和设备状况等企业内部数据，模型会更准确。他表示，在通过公开 数据建模，证明了效果后，再让企业提供一些较隐私的数据就容易得多。
由于能源公司很保守，不到万不得已不会改变，所以Gounden和同事们首先瞄准的是联邦政府部门。因着与政府不错的关系，他们首先申请了小范围的试验，由于对电力系统改善的效果不错，也因此得到了政府的推荐。
Via Science也在考虑将同样的技术用于中国市场。正如Gounden所说，各地电力系统的运作方式都一样。而看中中国市场的另一个原因是，国内的电力公司，如上海电力，同时在印度、巴基斯坦等地也有项目，所以他们可以服务更广泛的市场。
本文转自d1net（转载）