Causal-Copilot : Un agent autonome d'analyse causale

Causal-Copilot: An Autonomous Causal Analysis Agent

April 17, 2025

Auteurs: Xinyue Wang, Kun Zhou, Wenyi Wu, Har Simrat Singh, Fang Nan, Songyao Jin, Aryan Philip, Saloni Patnaik, Hou Zhu, Shivam Singh, Parjanya Prashant, Qian Shen, Biwei Huang

cs.AI

Résumé

L'analyse causale joue un rôle fondamental dans la découverte scientifique et la prise de décision fiable, mais elle reste largement inaccessible aux experts de domaine en raison de sa complexité conceptuelle et algorithmique. Cette déconnexion entre la méthodologie causale et son utilité pratique présente un double défi : les experts de domaine ne peuvent pas tirer parti des avancées récentes en apprentissage causal, tandis que les chercheurs en causalité manquent de déploiements à grande échelle dans le monde réel pour tester et affiner leurs méthodes. Pour remédier à cela, nous présentons Causal-Copilot, un agent autonome qui opérationnalise l'analyse causale de niveau expert dans un cadre de modèle de langage à grande échelle. Causal-Copilot automatise l'ensemble du pipeline d'analyse causale pour les données tabulaires et temporelles -- incluant la découverte causale, l'inférence causale, la sélection d'algorithmes, l'optimisation des hyperparamètres, l'interprétation des résultats et la génération d'idées exploitables. Il permet un affinement interactif via le langage naturel, réduisant ainsi la barrière pour les non-spécialistes tout en préservant la rigueur méthodologique. En intégrant plus de 20 techniques d'analyse causale de pointe, notre système favorise un cercle vertueux -- élargissant l'accès aux méthodes causales avancées pour les experts de domaine tout en générant des applications riches et réalistes qui informent et font progresser la théorie causale. Les évaluations empiriques démontrent que Causal-Copilot obtient des performances supérieures par rapport aux bases de référence existantes, offrant une solution fiable, évolutive et extensible qui comble le fossé entre la sophistication théorique et l'applicabilité pratique dans l'analyse causale. Une démonstration interactive en direct de Causal-Copilot est disponible à l'adresse https://causalcopilot.com/.

English

Causal analysis plays a foundational role in scientific discovery and reliable decision-making, yet it remains largely inaccessible to domain experts due to its conceptual and algorithmic complexity. This disconnect between causal methodology and practical usability presents a dual challenge: domain experts are unable to leverage recent advances in causal learning, while causal researchers lack broad, real-world deployment to test and refine their methods. To address this, we introduce Causal-Copilot, an autonomous agent that operationalizes expert-level causal analysis within a large language model framework. Causal-Copilot automates the full pipeline of causal analysis for both tabular and time-series data -- including causal discovery, causal inference, algorithm selection, hyperparameter optimization, result interpretation, and generation of actionable insights. It supports interactive refinement through natural language, lowering the barrier for non-specialists while preserving methodological rigor. By integrating over 20 state-of-the-art causal analysis techniques, our system fosters a virtuous cycle -- expanding access to advanced causal methods for domain experts while generating rich, real-world applications that inform and advance causal theory. Empirical evaluations demonstrate that Causal-Copilot achieves superior performance compared to existing baselines, offering a reliable, scalable, and extensible solution that bridges the gap between theoretical sophistication and real-world applicability in causal analysis. A live interactive demo of Causal-Copilot is available at https://causalcopilot.com/.