InfoFi умер, CFL только начинается - мета псс в грязных данных

Пока все блогеры поминают infoFi (псевдо псс "майндкарты" в рафинированной среде) и новую политику твитера, незаметной остается важная тема набирающая интерес у настоящих мыслителей. В продолжение меты 2026 года и того о чем ранее говорил SurgeAI фаундер, но теперь на более прикладном уровне. С КФ расхождений нет, наоборот есть очередной закреп и подтверждение старых тезисов в новой научной работе.

Мне непонятны пару моментов, особенно связанные с нефтянкой (там специфика работы такая), но для общего развития засейвлю. Скоро роль подобных трендов в грязных данных сильно вырастет, интерес от вкс и так уже высокий. Ресерчерам полезно примерно понять выводы. Грязные данные в кф это отдельная и большая тема. Очень символично что совпали даты конечно, смерть это всегда новое начало.

кос cfAI, cfcr, deeptech, edgecontext, грязные данные

https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2025.1686750/full

1. Концептуальное обоснование и необходимость причинного анализа

• Ограниченность традиционного машинного обучения (ML): Стандартные модели ML в основном фиксируют корреляции, что может привести к ложным выводам в структурных причинно-следственных контекстах. В отличие от них, причинно-следственный анализ направлен на раскрытие базового порождающего процесса.

• Специфика нефтяных месторождений: В управлении месторождениями крайне важно понимать динамическое взаимодействие между нагнетательными и добывающими скважинами для оптимизации добычи и минимизации отходов.

• Невозможность рандомизированных контролируемых испытаний (РКИ): Поскольку в условиях реального месторождения невозможно проводить контролируемые эксперименты (манипулировать параметрами закачки по желанию), исследователи вынуждены полагаться исключительно на обсервационные (наблюдательные) данные.

2. Ключевые проблемы и «скрытые факторы»

• Геологическая неоднородность, естественные вариации давления и действия оператора (например, изменение положения штуцера) создают ложные корреляции, которые искажают реальную картину связности.

• Задержки в системе и обратные связи: Реакция системы на закачку часто происходит с временным лагом, а решения операторов создают петли обратной связи, что затрудняет разделение причин и следствий.

• Нарушение принципа причинной достаточности: Доступные данные часто не содержат всех переменных, необходимых для полного описания системы, что ограничивает применимость традиционных алгоритмов причинного обнаружения.

3. Фреймворк Causal Feature Learning (CFL)

• Вместо поиска формальной идентифицируемости графа (DAG), фреймворк фокусируется на извлечении высокоуровневых макропеременных (признаков), которые сохраняют важную причинную информацию, но менее чувствительны к шуму.

4. Практическая апробация и результаты

• Модель показала высокую точность даже при наличии всего 10% размеченных данных, что критически важно для реальных условий, где данные индикаторных исследований ограничены.

• Результаты на месторождениях Pre-Salt (Бразилия):

◦ Метод успешно идентифицировал связность в сложных геологических условиях на глубине около 3000 метров.

◦ Масштабируемость: Обучение и оценка 256 попарных соединений заняли всего 38 секунд.

• Обобщающая способность: Модель, обученная на данных одного региона месторождения, смогла успешно предсказать связность в другом регионе, для которого не было контекстной информации о трассерах.

5. Перспективы

• Предложенные признаки соответствуют экспертному подходу инженеров-разработчиков, которые оценивают связность по взаимным колебаниям дебита и давления.

• Принципы CFL могут быть применены в других областях, где сущности взаимодействуют через ковариационные сигналы, например, в климатологии или анализе энергетических систем.

• Планируется внедрение глубокого обучения (End-to-end Deep Learning) для автоматического формирования еще более выразительных причинно-следственных представлений.