데이터 분석에서 가장 위험한 함정은 "상관관계를 인과관계로 착각하는 것"입니다. "A/B 테스트에서 전환율이 올랐다" → 정말 그 변경 때문인가? 시점 효과, 계절성, 셀프 셀렉션 바이어스는? 기획자가 쓸 수 있는 인과추론 도구가 없었습니다.
"CSV 하나만 업로드하면 AI가 인과 그래프를 자동 추론하고, 처치 효과를 추정하고, What-if 시뮬레이션까지 · 통계 전공 없이도 '왜?'에 답할 수 있는 플랫폼을 만들자."
| 결정 | 선택 | 기획적 근거 |
|---|---|---|
| 인과추론 | DoWhy | MS Research의 인과추론 프레임워크. 4단계(모형→식별→추정→반박)로 인과 가정의 명시적 검증 |
| 효과 추정 | EconML + DoubleML | 기계학습 기반 이질적 처치 효과(HTE) 추정. "평균 효과"가 아닌 "누구에게 더 효과적인지"까지 분석 |
| 해석 | SHAP | 모델 해석 표준. 각 변수가 결과에 얼마나 기여했는지 시각화. 기획자가 "왜?"를 설명 가능 |
| 파이프라인 | Cell 기반 모듈화 | 인과 그래프, 효과 추정, 반사실 분석 각각 독립 셀. EthicaAI 6-Cell과 동일 패턴 |
| 실행 추적 | Tracing (13KB) | 분석 파이프라인의 각 단계를 추적+디버깅. "이 결과가 어떤 경로로 나왔는지" 재현 가능 |
graph LR CSV["CSV 업로드"] --> VAR["변수 식별"] VAR --> CG["인과 그래프 추론
DoWhy"] CG --> TE["처치 효과 추정
DoubleML · EconML"] TE --> SH["SHAP 해석"] SH --> WI["What-if
반사실 질의"] WI --> RPT["리포트 생성"]
| 모듈 | 규모 | 역할 |
|---|---|---|
| main.py | 6.9KB | FastAPI 엔트리포인트 |
| pipeline.py | 6.3KB | 인과추론 파이프라인 (CSV→분석→결과) |
| orchestrator.py | 5KB | 다중 분석 세션 오케스트레이터 |
| tracing.py | 13KB | 실행 추적 + 디버깅 (분석 경로 재현) |
| cli.py | 7.1KB | CLI 인터페이스 |
| config.py | 12.3KB | 전체 설정 (분석 파라미터, 모델 선택) |
| gpu_factory.py | 2.9KB | GPU 가속 팩토리 |
| audit.py | 7KB | 분석 결과 감사 |
| 영역 | 모듈 | 역할 |
|---|---|---|
| 분석 | cells/, agents/ | 인과 그래프·효과 추정·반사실 분석 셀 + AI 에이전트 자동화 |
| 데이터 | connectors/, data/ | 데이터 소스 커넥터 + 샘플 데이터셋 |
| 인프라 | server/, deploy/, monitoring/ | API 서버, 배포, 실행 모니터링 |
| 학술 | paper/, rag/, sandbox/ | 연구 LaTeX, 문서 RAG, 실험 샌드박스 |
| 공통 | scenarios/, telemetry/, tests/, utils/, workflow/ | 사전 정의 시나리오, 텔레메트리, 테스트, 유틸리티 |