최근 가천대 길병원 고급통계교육에서 매칭을 주제로 강의를 하게되며, 인과추론(Causal Inference)에 대해 특별한 흥미를 갖게 됐다. 평소 통계학 백그라운드로 Data Science를 수행하던 사람으로서 추론적 모델링의 가치, 주의할만한 사항 등에 관심과 고민이 많았기도 했고, 실무에서 1년 정도를 주로 시계열 추론 모델링(DLNM)을 진행하며 안고있었던 고민이 인과추론의 모티베이션과 정확하게 일치했다. 예측 모델링에서 다양한 기법(e.g. PCA)을 활용한 Feature engineering으로 모델의 성능을 향상시키듯이, 추론적 관점의 모델링에서는 정확하고 합리적인 결과를 도출하기 위해 인과추론 기법을 데이터 전처리 단계에 적극적으로 활용해야 한다는 생각이 든다. 특정 현상의 원인과 결과를 정확하게 추론해내는 것은 상당히 어렵다. 데이터 분석, 모델링을 통해 특정 이벤트가 가져다주는 효과를 파악하고자 할 때, 실무자들은 항상 "과연 이 결과가 우리가 생각하는 요인으로부터 나온 것이 맞는가?"에 대한 질문을 끊임 없이 던져봐야한다. 여기에 어느정도의 확신을 줄 수 있는 방법론이 "인과추론"이라고 생각한다. 앞서 예측 모델링에서 Feature engineering의 역할이 곧 추론 모델링에서의 인과추론 기법과 비슷하다고 얘기했지만, 생각해보니 하나가 더 생각이 난다. 예측 모델링에서는 데이터를 Training set, Test set으로 분할하여 Unobserved data set에 대한 성능을 가늠해볼 수 있는데, 추론 모델링에서는 이러한 장치가 없기 때문에 개인적으로 추론 모델링이 더욱 까다롭고 어렵다고 생각해왔다. 그런데, 생각해보니 추론 모델링에서 일종의 이런 장치 역할을 해줄 수 있는 것이 인과추론이 아닐까? 하는 생각 이든다. 인과추론이 갖는 가치를 추론 모델링에 대해서만 이야기 했지만, 물론 예측 모델링에서도 인과추론이 갖는 가치는 충분히 존재한다. 실제로 인공지능, 머신러닝 분야의 최대 학회 중 하나인 NeurIPS에서도 Causal Inference Workshop이 열리고 있다. 이제 막 인과추론에 관심을 갖게된 걸음마 단계에 불과하지만, 학부, 석사를 통계학으로 전공하며 틈틈이 해왔던 고민들이 인과추론이라는 학문이 많은 부분을 해결해 줄 수 있지 않을까 하는 설렘이 든다. 이미지 처리나 자연어 처리를 하던 사람들이 딥러닝이라는 분야가 반짝하기 시작했을때 느꼈던 설레는 감정이 이런걸까? 2022년에 Data Science/Analyst 직무쪽 올라온 우리나라의 수많은 채용 공고를 돌아봤는데, 과거에 비해 분야를 막론한 훨씬 더 많은 곳에서 데이터 기반 의사결정에 관심을 쏟고 있음을 느꼈다. 그래서, 인과추론의 중요성은 앞으로 더더욱 커질 것이라고 보고 있다. 아니, 커져야만 한다. 인과추론을 실무에 도입하는 기업이 많아졌으면 한다. 그래야 데이터를 기반으로 바보같은 의사결정을 내릴 가능성을 줄일 수 있을 테니까.