Με πάνω από 20 χρόνια εμπειρίας, μεταμορφώνουμε την ψηφιακή σας παρουσία. Εξειδικευόμαστε στην κατασκευή ιστοσελίδων και E-Shop, το SEO και το Digital Marketing, τα ERP λογισμικά και τους έξυπνους αυτοματισμούς που απογειώνουν την επιχείρησή σας.
Διεύθυνση:
Εγνατία 154, Θεσσαλονίκη 546 36
Τηλέφωνο:
+30 231 231 4095
E-mail:
hello@twodots.gr
Έτοιμοι για το επόμενο βήμα;
Οι αφηρημένοι αιτιακοί κανόνες AECR μεταφέρουν causal γνώση σε σπάνια γεγονότα. Το CACI, τα benchmarks και οι έλεγχοι πριν από επιχειρησιακή χρήση.
Οι αφηρημένοι αιτιακοί κανόνες AECR επιχειρούν να μεταφέρουν τον μηχανισμό «αιτία → αποτέλεσμα» από πολλά συγκεκριμένα γεγονότα σε σπάνιες ή νέες περιπτώσεις. Η μελέτη δείχνει κέρδη σε δύο event-prediction benchmarks, αλλά όχι μια έτοιμη εμπορική λύση. Για επιχειρησιακή χρήση χρειάζονται domain data, provenance, έλεγχος confounders και ανεξάρτητη επικύρωση.
Ένα σύστημα τεχνητής νοημοσύνης μπορεί να έχει δει χιλιάδες περιστατικά και παρ’ όλα αυτά να δυσκολεύεται όταν εμφανιστεί ένας σπάνιος συνδυασμός γεγονότων. Το πρόβλημα δεν είναι απλώς η ποσότητα των δεδομένων. Είναι ότι η γνώση συχνά αποθηκεύεται ως συγκεκριμένα παραδείγματα και όχι ως αιτιακή λογική που μπορεί να μεταφερθεί σε μια νέα περίπτωση.
Η μελέτη Abstract Event Causal Rules: Induction and Application των Ziwei Zheng, Peiqiong Chen και Bang Wang προτείνει μια διαφορετική μονάδα γνώσης: τον Abstract Event Causal Rule ή AECR. Αντί να απομνημονεύει μόνο ότι ένα συγκεκριμένο γεγονός Α προηγήθηκε ενός συγκεκριμένου γεγονότος Β, το σύστημα προσπαθεί να αναγνωρίσει τον γενικότερο αιτιακό μηχανισμό που συνδέει την αιτία με το αποτέλεσμα.
Τα event-centric συστήματα χρησιμοποιούνται ερευνητικά για έγκαιρη προειδοποίηση κινδύνου, υποστήριξη αποφάσεων και κατανόηση αφηγήσεων. Πολλά μοντέλα όμως μαθαίνουν από συγκεκριμένες διατυπώσεις και από συσχετίσεις που εμφανίστηκαν στα δεδομένα εκπαίδευσης. Έτσι μπορεί να αποδίδουν ικανοποιητικά σε συχνά γεγονότα, αλλά να χάνουν τη σύνδεση όταν αλλάζει το λεξιλόγιο ή εμφανίζεται ένα long-tail περιστατικό.
Οι συγγραφείς χρησιμοποιούν ένα εύληπτο παράδειγμα: ο γενικός κανόνας «φυσική καταστροφή οδηγεί σε υλικές ζημιές» μπορεί να βοηθήσει το σύστημα να συλλογιστεί για ένα σπάνιο φαινόμενο, ακόμη κι αν δεν έχει δει το ίδιο ακριβώς περιστατικό. Το ζητούμενο είναι η αφαίρεση να μην γίνει τόσο γενική ώστε να χαθεί η αιτιακή δύναμη. Αν η «έντονη βροχόπτωση» γίνει απλώς «καιρική συνθήκη», δεν είναι πλέον λογικό κάθε καιρική συνθήκη να συνεπάγεται ξαφνική πλημμύρα.
Αυτό είναι η βασική διαφορά της προσέγγισης: η αιτία και το αποτέλεσμα δεν αφαιρούνται ανεξάρτητα. Αντιμετωπίζονται ως ενιαία σχέση, ώστε να ευθυγραμμίζεται το επίπεδο γενίκευσης και να διατηρείται η λογική σύνδεση.
Ένας AECR είναι ένα μεταφέρσιμο αιτιακό μοτίβο που έχει εξαχθεί από πολλά συγκεκριμένα ζεύγη γεγονότων. Δεν είναι απλή περίληψη ενός περιστατικού και δεν είναι ένας αόριστος κανόνας κοινής λογικής. Πρέπει να είναι αρκετά γενικός για να επαναχρησιμοποιείται, αλλά αρκετά συγκεκριμένος ώστε το αποτέλεσμα να παραμένει εύλογη συνέπεια της αιτίας.
Η εργασία τοποθετεί αυτή τη γνώση ανάμεσα σε δύο άκρα. Από τη μία υπάρχουν λεπτομερή causal graphs που αυξάνονται σε μέγεθος και μένουν δεμένα με συγκεκριμένες αναφορές. Από την άλλη υπάρχουν αφαιρέσεις μεμονωμένων events, οι οποίες κινδυνεύουν να προκαλέσουν semantic drift. Ο AECR διατηρεί ως βασική μονάδα ολόκληρη την κατευθυνόμενη σχέση.
Για μια επιχείρηση, η ιδέα έχει αξία ως αρχιτεκτονική αρχή: όταν ένα AI workflow πρέπει να μεταφέρει γνώση από παλαιά περιστατικά σε νέα, η αποθήκευση παραδειγμάτων δεν ισοδυναμεί με αποθήκευση μηχανισμών. Αυτό αποτελεί προσεκτική ερμηνεία της έρευνας και όχι ισχυρισμό ότι η συγκεκριμένη μέθοδος είναι ήδη έτοιμη για κάθε εμπορικό περιβάλλον.
Τέσσερα επίπεδα από την παρατήρηση στον ελεγχόμενο κανόνα
Το γεγονός Β ακολουθεί το Α, χωρίς αυτό να αποδεικνύει ότι το Α προκάλεσε το Β.
Η κατεύθυνση έχει ελεγχθεί, αλλά η γνώση παραμένει δεμένη με το λεξιλόγιο και το πλαίσιο ενός περιστατικού.
Αιτία και αποτέλεσμα γενικεύονται μαζί, ώστε ο μηχανισμός να μεταφέρεται χωρίς να χάνει την αιτιακή του δύναμη.
Χρειάζεται δικά του source events, owner, έκδοση, validity window και tests πριν επηρεάσει απόφαση ή αυτοματισμό.
Οι ερευνητές επισημαίνουν ότι ένα εφάπαξ prompt προς ένα LLM μπορεί να εισαγάγει hallucinations ή να μετατρέψει απλή συνύπαρξη σε υποτιθέμενη αιτιότητα. Για αυτό σχεδιάζουν το Concrete-to-Abstract Causal Induction, ένα multi-agent σύστημα με διαδοχικούς ρόλους και βρόχο ανατροφοδότησης.
Τα πέντε ελεγχόμενα στάδια του CACI
Ο Event Restatement Agent κρατά συμμετέχοντες και χρήσιμο πλαίσιο, αφαιρώντας αφηγηματικές λεπτομέρειες που δεν χρειάζονται για την αιτιακή σχέση.
Ο Gatekeeper ελέγχει χρονική προτεραιότητα, αποκλείει απλή σύμπτωση και ζητά το αποτέλεσμα να είναι λογικά αναμενόμενη συνέπεια.
Ο Event Abstraction Agent δημιουργεί ανώτερες έννοιες για αιτία και αποτέλεσμα χωρίς να αποκόπτει το πλαίσιο που στηρίζει τη σύνδεση.
Ο Abstraction Selection Agent επιλέγει το ζεύγος που ισορροπεί πιστότητα στο source event και δυνατότητα επαναχρησιμοποίησης.
Ο Abstraction Judge αποδέχεται, απορρίπτει ή επιστρέφει συγκεκριμένο feedback, ώστε μια υπερβολικά γενική ή παραμορφωμένη σχέση να μη φτάσει στη βάση κανόνων.
Η διάσπαση δεν εγγυάται από μόνη της αλήθεια. Δημιουργεί όμως ελέγξιμα σημεία απόφασης: ποιο input απορρίφθηκε, ποια αφαίρεση κρίθηκε υπερβολικά γενική και γιατί ένας κανόνας πέρασε στον επόμενο κύκλο. Αυτή η λογική ενδιαφέρει ομάδες που σχεδιάζουν AI operations, επειδή μεταφέρει τον έλεγχο ποιότητας μέσα στη ροή και όχι μόνο στο τελικό output.
Η διάσπαση σε ρόλους έχει αξία μόνο όταν κάθε agent διαθέτει σαφή όρια και ελέγξιμο output. Το ίδιο μοτίβο αναλύεται στο multi-agent workflow του Omnigent με permissions, budgets και validation.
Μετά τον agentic έλεγχο, οι αποδεκτές concrete causal logics κωδικοποιούνται και ομαδοποιούνται με agglomerative hierarchical clustering. Η μέθοδος εφαρμόζει όριο ομοιότητας μέσα σε κάθε cluster και απορρίπτει μικρές ομάδες που θεωρούνται αδύναμα γενικεύσιμες. Έπειτα ένα LLM αποστάζει το κυρίαρχο κοινό μοτίβο κάθε έγκυρου cluster σε έναν ενιαίο κανόνα.
Στα δεδομένα που αναφέρει η εργασία, το MAVEN ξεκινά από 32.263 ζεύγη, διατηρεί 26.084 μετά το φιλτράρισμα και παράγει 733 αφηρημένους κανόνες. Το ESC ξεκινά από 6.875 ζεύγη, διατηρεί 6.031 και παράγει 180 κανόνες. Οι αριθμοί περιγράφουν τα συγκεκριμένα πειράματα και δεν πρέπει να γενικευθούν ως αναμενόμενη αναλογία συμπίεσης σε επιχειρησιακά δεδομένα.
Η σύνθεση πολλών παραδειγμάτων σε έναν κανόνα μειώνει την ανάγκη να ανακτηθεί το «ίδιο» περιστατικό. Ταυτόχρονα δημιουργεί απαίτηση διακυβέρνησης: πρέπει να είναι γνωστή η προέλευση κάθε κανόνα, τα παραδείγματα που τον στήριξαν, τα φίλτρα που εφαρμόστηκαν και η έκδοση της βάσης γνώσης.
Τέσσερις αριθμοί που ορίζουν την κλίμακα του MAVEN πειράματος
Οι τιμές προέρχονται από το AECR paper και αφορούν το συγκεκριμένο MAVEN-CGEP setup. Δεν είναι καθολικές αναλογίες συμπίεσης ή απόδοσης για κάθε AI σύστημα.
Τα ζεύγη που επεξεργάστηκε το CACI από τα event causality graphs.
Πέρασαν gatekeeping, abstraction judgment και το φίλτρο μικρών clusters.
Οι AECRs που παρήχθησαν από τα έγκυρα clusters του MAVEN.
Στο MAVEN το MRR κορυφώθηκε με τρεις ανακτημένους κανόνες και μειώθηκε ήπια με περισσότερο context.
Η βάση κανόνων δεν χρησιμοποιείται ως στατικό εγχειρίδιο. Οι συγγραφείς εκπαιδεύουν retriever που αντιστοιχίζει ένα συγκεκριμένο ζεύγος γεγονότων στους περισσότερο επεξηγηματικούς κανόνες. Κάθε κανόνας αποκτά αναπαράσταση και virtual token, ενώ το σύστημα υπολογίζει πιθανότητες αντιστοίχισης με βάση το cause, το effect και το σχετικό context.
Για την εφαρμογή στο Causality Graph Event Prediction προτείνεται ο Abstract Rule-Guided Causal Attention Encoder, AR-GCAE. Αρχικά ένας topology-aware Transformer κωδικοποιεί το event graph, περιορίζοντας την attention σε τοπολογικά σχετικές συνδέσεις. Η αναπαράσταση του άγνωστου επόμενου event χρησιμοποιείται ως proxy για την ανάκτηση κανόνων. Οι επιλεγμένοι κανόνες τροφοδοτούν rule-guided attention και στο τέλος μια gated fusion συνδυάζει την αρχική με την ενισχυμένη αναπαράσταση.
Το gate είναι κρίσιμο επειδή επιτρέπει στο μοντέλο να ρυθμίζει πόσο θα εμπιστευτεί την ανακτημένη γνώση. Το ablation experiment της εργασίας δείχνει ότι η αφαίρεση των AECR προκαλεί τη μεγαλύτερη πτώση, ενώ τυχαίοι κανόνες δίνουν απόδοση σχεδόν ίδια με την απουσία κανόνων. Οι συγγραφείς αποδίδουν την ανθεκτικότητα απέναντι στον θόρυβο στη gated fusion.
Η ανάκτηση σχετικών κανόνων δεν αρκεί χωρίς μηχανισμό εμπιστοσύνης. Το πλαίσιο RAIL για AI πριν από την παραγωγή βοηθά να ελεγχθούν retrieval, permissions, failure paths και ανθρώπινη εποπτεία ως ένα ενιαίο σύστημα.
Δεκατέσσερις μεταπτυχιακοί annotators αξιολόγησαν τη λογική ορθότητα, τη διακριτική ικανότητα και τη χρησιμότητα των κανόνων. Σε τυχαίο δείγμα 200 κανόνων από κάθε knowledge base, η μέση βαθμολογία reasonableness ήταν 4,57/5 για MAVEN-AECR και 4,56/5 για ESC-AECR. Το ποσοστό κανόνων με βαθμολογία 4 ή 5 ήταν 91% και 88% αντίστοιχα.
Στο normal-negative τεστ αντιστοίχισης, η accuracy κατά majority vote ήταν 99% στο MAVEN και 100% στο ESC. Με hard negatives, όπου προστίθεται πολύ παρόμοιος εναλλακτικός κανόνας, παρέμεινε 98% και 99% κατά majority vote, αλλά η πλήρης συμφωνία και ο δείκτης συμφωνίας μειώθηκαν αισθητά για το ESC. Αυτό το τελευταίο σημείο είναι σημαντικό: οι δύσκολες, παρόμοιες επιλογές εξακολουθούν να αποκαλύπτουν ασάφεια.
Οι μετρήσεις υποστηρίζουν την ποιότητα των συγκεκριμένων βάσεων, όχι μια καθολική απόδειξη ότι κάθε LLM-generated causal rule είναι αξιόπιστος. Τα δεδομένα, τα prompts, τα thresholds και το domain παραμένουν καθοριστικά.
Η υψηλή ανθρώπινη βαθμολογία δεν μετατρέπει το AECR σε έτοιμη απόδειξη αιτιότητας. Οι annotators αξιολόγησαν κανόνες που είχαν ήδη παραχθεί από δύο συγκεκριμένα datasets. Σε production χρειάζονται ανεξάρτητα domain tests, traceability προς τα source events και διαδικασία απόσυρσης όταν αλλάζει το περιβάλλον.
Η ανάγκη για δύσκολα negatives και ανθρώπινη συμφωνία συνδέεται με το ευρύτερο ερώτημα της ποιότητας: στο άρθρο για το μοντέλο της Ford με AI και 350 ειδικούς, η τεχνολογία ενισχύει την ανατροφοδότηση χωρίς να εξαφανίζει την κρίση του domain expert.
Στο MAVEN-CGEP, το AR-GCAE πέτυχε MRR 40,5 έναντι 36,2 του ισχυρότερου συγκρινόμενου TRACE και Hit@1 32,1 έναντι 28,9. Η εργασία υπολογίζει σχετικές βελτιώσεις 11,9% και 11,1%, με στατιστική σημαντικότητα σύμφωνα με το αναφερόμενο τεστ. Στο ESC-CGEP, το AR-GCAE πέτυχε MRR 22,8, ενώ το TRACE 20,8.
Η πιο ουσιαστική ερευνητική παρατήρηση είναι ότι τα κέρδη ήταν εντονότερα στα σπάνια και unseen events. Σε low-resource δοκιμές, το μοντέλο ξεπέρασε το πλήρως εκπαιδευμένο TRACE στο MAVEN χρησιμοποιώντας 60% των training data, και στο ESC ξεπέρασε TRACE και SEDA με 80% των δεδομένων. Πρόκειται για benchmark αποτελέσματα, όχι για υπόσχεση αντίστοιχης εξοικονόμησης δεδομένων σε production.
Η δοκιμή του αριθμού κανόνων έδειξε επίσης ότι περισσότερο context δεν σημαίνει πάντα καλύτερο αποτέλεσμα. Στο MAVEN, η επίδοση κορυφώθηκε με τρεις κανόνες και στη συνέχεια υποχώρησε ελαφρά. Αυτό ενισχύει μια πρακτική αρχή για retrieval συστήματα: η συνάφεια και η επιλογή μπορούν να μετρήσουν περισσότερο από τον όγκο του ανακτημένου υλικού.
Η έρευνα δεν παρουσιάζει έτοιμο εργαλείο marketing, σύστημα fraud detection ή εμπορικό forecasting API. Παρέχει όμως ένα ελεγχόμενο παράδειγμα για το πώς η AI μπορεί να οργανώσει εμπειρία σε επαναχρησιμοποιήσιμη αιτιακή γνώση. Για επαγγελματίες, η αξία βρίσκεται κυρίως στον σχεδιασμό: διαχωρισμός παρατήρησης από αιτιότητα, έλεγχος πριν από τη γενίκευση, retrieval με provenance και μηχανισμός που μπορεί να αγνοεί άσχετη γνώση.
Σε e-commerce ή customer experience περιβάλλον, μια πιθανή μελλοντική εφαρμογή θα απαιτούσε δικά της επικυρωμένα causal events, όπως αλλαγές σε λειτουργίες και επακόλουθες μεταβολές στη συμπεριφορά. Δεν αρκεί η χρονική ακολουθία. Χρειάζονται έλεγχοι για confounders, σαφής ορισμός του event και ανθρώπινη αξιολόγηση. Αυτά είναι προϋποθέσεις που προκύπτουν αναλυτικά από το πρόβλημα, όχι αποτελέσματα που δοκιμάστηκαν από τη συγκεκριμένη εργασία σε e-commerce.
Για marketers, το βασικό μάθημα είναι εξίσου αυστηρό: το attribution δεν γίνεται causal reasoning μόνο επειδή ένα dashboard συνδέει δύο συμβάντα. Η προσέγγιση AECR δείχνει πόση επεξεργασία απαιτείται πριν ένα μοτίβο χαρακτηριστεί μεταφέρσιμος αιτιακός κανόνας.
Το gate πριν ένας αφηρημένος κανόνας επηρεάσει επιχείρηση
Αν δεν μπορείτε να επιστρέψετε από τον κανόνα στα source events, στα φίλτρα και στην έκδοση που τον παρήγαγαν, δεν έχετε ελεγχόμενη αιτιακή γνώση.
Ορίστε owner, causal evidence, confounders, χρονικό όριο ισχύος, hard negatives και fallback προς άνθρωπο. Μετρήστε το όφελος σε πραγματικά unseen cases και όχι μόνο σε παραλλαγές των training examples.
Η σωστή κατανομή ευθύνης είναι εξίσου σημαντική με το model score. Στην ανάλυση για το ποιος ευθύνεται όταν μια αυτοματοποίηση AI αποτυγχάνει, το audit trail συνδέει input, κανόνα, εργαλείο, απόφαση και owner αντί να αφήνει ένα γενικό «έφταιξε η AI».
Τα σπάνια events απαιτούν και ειλικρινή μέτρηση αβεβαιότητας. Η προσέγγιση του DiscoFormer για density score estimation δείχνει γιατί ένα αδύναμο ή out-of-distribution σήμα πρέπει να ενεργοποιεί έλεγχο και όχι βεβαιότητα.
Μια ομάδα που εξετάζει παρόμοια αρχιτεκτονική μπορεί να ξεκινήσει με πέντε ερωτήσεις. Πρώτον, ποια γεγονότα ορίζονται με σταθερό τρόπο; Δεύτερον, ποια τεκμήρια υποστηρίζουν την κατεύθυνση της αιτιότητας; Τρίτον, ποιο επίπεδο αφαίρεσης διατηρεί τη σύνδεση χωρίς να γίνεται tautology; Τέταρτον, πώς θα απορρίπτονται οι αδύναμες ή αντιφατικές σχέσεις; Πέμπτον, πώς θα μετρηθεί η μεταφορά σε πραγματικά unseen cases;
Χρειάζεται επίσης versioning της knowledge base και audit trail από τον κανόνα πίσω στα source events. Αν αλλάζουν τα δεδομένα ή το επιχειρησιακό περιβάλλον, ένας παλαιός κανόνας μπορεί να πάψει να ισχύει. Η επαναξιολόγηση δεν είναι λεπτομέρεια λειτουργίας· είναι μέρος της αξιοπιστίας.
Τέλος, η αξιολόγηση πρέπει να περιλαμβάνει δύσκολα negatives και όχι μόνο προφανώς άσχετες επιλογές. Η πτώση συμφωνίας των annotators στο δυσκολότερο ESC setting δείχνει ότι οι οριακές περιπτώσεις είναι εκεί όπου δοκιμάζεται πραγματικά η διακριτική ικανότητα.
Η μεταφορά μηχανισμών δεν ταυτίζεται με την απομνημόνευση μιας σωστής απάντησης. Το ίδιο όριο φαίνεται στο SPARK και την ενεργοποίηση της σωστής συλλογιστικής: διαθέσιμη γνώση και σωστή χρήση της είναι διαφορετικά προβλήματα αξιολόγησης.
Η AECR προσέγγιση μετακινεί το κέντρο βάρους από το «έχω ξαναδεί αυτό το περιστατικό;» στο «γνωρίζω έναν αιτιακό μηχανισμό που ταιριάζει;». Το CACI προσθέτει πολλαπλά στάδια ελέγχου, το clustering συγκεντρώνει επαναλαμβανόμενη λογική, ο retriever επιλέγει σχετικούς κανόνες και το gated fusion περιορίζει την επιρροή άσχετης γνώσης.
Τα πειράματα είναι ενθαρρυντικά, ιδιαίτερα για rare και unseen events, αλλά παραμένουν αποτελέσματα δύο ερευνητικών benchmarks. Η σωστή επαγγελματική στάση δεν είναι να μετατρέψει τη μελέτη σε αβέβαιη υπόσχεση. Είναι να κρατήσει την αρχή που τεκμηριώνεται: η γενίκευση χρειάζεται αιτιακή δομή, αυστηρό φιλτράρισμα και μετρήσιμη επαλήθευση.
Αυτοματισμοί Επιχειρήσεων & AI από την TWO DOTS
Μετατρέψτε την AI γνώση σε ελεγχόμενο workflow με provenance, validation και ανθρώπινα gates.
Η TWO DOTS χαρτογραφεί source events, business rules, retrieval, permissions, owners και failure paths, ώστε ένας αυτοματισμός να χρησιμοποιεί τη σωστή γνώση, να εξηγεί την προέλευσή της και να σταματά όταν το evidence δεν επαρκεί.
Συχνές ερωτήσεις
Είναι ένας αφηρημένος, μεταφέρσιμος κανόνας που διατηρεί την κατευθυνόμενη αιτιακή σχέση ανάμεσα σε κατηγορίες γεγονότων και προκύπτει από ομάδες ελεγμένων συγκεκριμένων cause-effect pairs.
Επειδή μπορεί να χαθεί το χαρακτηριστικό που κάνει την αιτία να οδηγεί στο αποτέλεσμα. Η κοινή αφαίρεση αιτίας και αποτελέσματος διατηρεί ολόκληρη τη σχέση ως βασική μονάδα γνώσης.
Χρησιμοποιεί πέντε διαδοχικούς agents για αναδιατύπωση, causal screening, παραγωγή αφαιρέσεων, επιλογή και τελική κρίση, με feedback loop όταν μια πρόταση είναι υπερβολικά γενική ή σημασιολογικά αδύναμη.
Οι συγγραφείς κατασκεύασαν βάσεις κανόνων από τα MAVEN-CGEP και ESC-CGEP και αξιολόγησαν την εφαρμογή τους στα αντίστοιχα benchmarks πρόβλεψης επόμενου γεγονότος.
Το AR-GCAE πέτυχε MRR 40,5 έναντι 36,2 του TRACE και Hit@1 32,1 έναντι 28,9. Πρόκειται για αποτελέσματα του συγκεκριμένου benchmark, όχι για εγγύηση απόδοσης σε επιχειρησιακά δεδομένα.
Συνδυάζει την αρχική αναπαράσταση του event graph με την αναπαράσταση που έχει ενισχυθεί από κανόνες και επιτρέπει στο μοντέλο να περιορίζει την επιρροή άσχετης ανακτημένης γνώσης.
Όχι. Η εργασία αξιολογεί δύο ερευνητικά datasets. Κάθε επιχειρησιακή χρήση χρειάζεται domain-specific events, τεκμήρια αιτιότητας, provenance, δύσκολα negative tests και ξεχωριστή επικύρωση.
Η χρονική ακολουθία και η συσχέτιση δεν αρκούν για αιτιότητα. Ένας επαναχρησιμοποιήσιμος κανόνας χρειάζεται ελεγχόμενη αφαίρεση, traceability προς τα source events και μέτρηση σε σπάνιες ή πραγματικά νέες περιπτώσεις.
