Quando falamos de inteligência artificial, a maioria das aplicações atuais é movida a padrões: redes neurais que detectam rostos em fotos, algoritmos que sugerem a próxima música no Spotify, ou até modelos que juram saber se você gosta de café só porque clicou num meme às 3h da manhã.
O problema? Padrões não são causas. A IA atual é ótima em dizer que “quando alguém leva guarda-chuva, chove”. Mas… calma lá. Não é o guarda-chuva que causa a chuva, né? (Se fosse, era só todo mundo de sair de sombrinha para acabar com estiagem).
Entra em campo a IA Causal: ensinar máquinas a pensar em termos de causa e efeito. A IA causal é fundamental para entender as relações entre variáveis e suas influências. Com a IA causal, podemos identificar não apenas correlações, mas também as causas subjacentes dos fenômenos observados.
O que é IA Causal?
A ideia é simples: em vez de só perguntar “o que acontece junto?”, a IA causal quer saber:
- O que acontece se eu intervir?
- O que teria acontecido se eu tivesse feito outra escolha?
- Por que esse resultado aconteceu?
Exemplo prático:
- Correlação → “pessoas que tomam café são mais produtivas”.
- Causalidade → “o café aumenta a produtividade, ou pessoas produtivas tendem a tomar mais café?”.
Spoiler: a resposta não é trivial (e provavelmente depende do horário da reunião).
Modelos Causais: o mapa do tesouro
Um modelo causal é basicamente um mapa de causa e efeito. Ele mostra quem influencia quem.
Pense num grafo com setas:
Exercício → Saúde do coração → Longevidade
↓
Bem-estar
Esse “mapinha” ajuda a prever o que acontece se eu mudar alguma variável. Se eu incentivar exercício, aumento bem-estar e também impacto o coração → que impacta longevidade.
Inferência Causal: a arte do “E se?”
Inferência causal é o processo de usar dados e modelos para descobrir se algo realmente causa outra coisa.
Três tipos de perguntas:
- Observação: o que vejo nos dados?
- Intervenção: o que acontece se eu agir?
- Contrafactual: o que teria acontecido se fosse diferente?
Ou seja: a diferença entre saber que choveu e saber se foi por minha causa (ou do meu vizinho que fez dança da chuva).
E as GNNs nessa história?
Os modelos causais normalmente usam grafos. E quem é especialista em grafos? As Graph Neural Networks (GNNs).
As GNNs podem ajudar a IA causal em três frentes:
- Descobrir relações → aprender automaticamente quem causa quem.
- Propagar efeitos → simular o impacto de intervenções no grafo.
- Gerar contrafactuais → imaginar cenários alternativos plausíveis.
Causalidade + GNN em Sistemas de Recomendação 🎬🎶
Agora vem a parte prática: sistemas de recomendação.
Problema clássico:
- Algoritmos recomendam o que já é popular → reforçam o ciclo → ficam enviesados.
- É difícil saber se o usuário realmente gostou do item ou só clicou porque estava no topo da tela.
Com causalidade, o sistema pode:
- Distinguir preferência real de exposição.
- Perguntar: “o que aconteceria se eu tivesse recomendado outro item?”.
- Corrigir vieses de popularidade.
E com GNNs, dá para modelar usuários e itens como um grafo (Netflix já faz algo parecido nos bastidores). O resultado?
👉 Um sistema de recomendação mais justo, mais explicável e menos viciado em “todo mundo está vendo a série X, veja também”.
Exemplo prático
Imagine o Instagram como um enorme universo de usuários, posts, hashtags e perfis, todos conectados por interações como curtidas, comentários, compartilhamentos e follows. Cada interação cria uma ligação, formando o que chamamos de grafo de conhecimento, que captura as conexões estruturais e semânticas entre usuários e conteúdos. Mas observar apenas esse grafo nos dá informações de correlação: será que um usuário curtiu determinado reel porque realmente gosta daquele tipo de conteúdo, ou apenas porque o algoritmo o exibiu no topo do feed? É justamente aqui que entra a causalidade. Ao incorporar um grafo causal, podemos modelar relações de causa e efeito, distinguindo o interesse genuíno do usuário da influência provocada pela exposição prévia. Por exemplo, podemos representar que “ver um reel aumenta a chance de curtir reels similares” ou que “a exposição a um post específico influencia a probabilidade de salvá-lo”, separando isso de ações motivadas pelo gosto real do usuário.
Para aprender padrões complexos desses dois grafos simultaneamente, usamos Graph Neural Networks (GNNs). Primeiramente, aplicamos uma GNN ao grafo de conhecimento, aprendendo embeddings que capturam a estrutura de conexões entre usuários e conteúdos. Paralelamente, aplicamos outra GNN ao grafo causal, de forma que cada nó aprenda representações que refletem os efeitos de intervenções, ou seja, como mudar um aspecto do feed influencia o comportamento do usuário, isolando a preferência real da mera exposição. Esses embeddings aprendidos nos dois grafos são então combinados em uma representação conjunta, permitindo que cada nó carregue informação tanto das relações estruturais quanto das relações causais.
Essa representação conjunta alimenta o motor de recomendação do Instagram, tornando-o capaz de prever com maior precisão quais conteúdos o usuário realmente gostaria de ver. Com esse modelo, é possível priorizar posts que correspondem ao interesse genuíno, simular intervenções — por exemplo, prever o engajamento caso determinado reel seja exibido para um usuário específico — e reduzir os ciclos de feedback que tornam as recomendações cada vez mais enviesadas e homogêneas. O resultado é uma recomendação mais personalizada, diversificada e explicável, onde o usuário interage com conteúdos que refletem suas preferências reais, e não apenas os conteúdos que foram empurrados pelo algoritmo por serem populares.
Em resumo, ao combinar grafos de conhecimento e causalidade com GNNs, conseguimos criar um sistema que entende tanto quem está conectado a quem quanto como essas conexões influenciam comportamentos reais, transformando dados estruturais e de intervenção em recomendações inteligentes, justas e mais próximas da experiência real do usuário.
Conclusão
A IA causal é o próximo passo para sair da fase “papagaio de correlações” e construir sistemas que entendem o porquê das coisas.
- Modelos causais = mapas de causa e efeito.
- Inferência causal = responder perguntas de intervenção e contrafactuais.
- GNNs = motor poderoso para aprender e propagar essas relações.
- Aplicação em recomendações = usuários mais satisfeitos, menos vieses e mais diversidade.
Ou seja: menos chuva causada por guarda-chuvas, e mais explicações claras sobre o que realmente faz diferença.