Le livre Applied Causal Inference Powered by ML and AI explore l'émergence de la fusion entre machine learning (ML) et causal inference. Il présente des idées issues des modèles de structure d'équations classiques (SEMs), ainsi que leurs équivalents modernes en intelligence artificielle, à savoir les graphes dirigés acycliques (DAGs) et les modèles causaux structuraux (SCMs). L'ouvrage introduit également les méthodes de double apprivoisement/débiaisage de la machine learning pour effectuer des inférences au sein de ces modèles, en utilisant des outils de prédiction contemporains. L'objectif principal de ce livre est de clarifier comment le machine learning et la causal inference peuvent être intégrés, ainsi que d'expliquer comment les techniques modernes de prédiction peuvent être appliquées dans le cadre des SEMs et des SCMs. Les concepts clés présentés incluent les DAGs et les SCMs, qui sont des représentations formelles des relations causales entre variables. La méthode de double débiaisage/débiaisement de la machine learning est mise en avant pour sa capacité à traiter efficacement les problèmes de causalité et de prédiction, tout en évitant les biais inhérents aux approches traditionnelles. Parmi les autres points forts, le livre examine en détail comment les outils de prédiction modernes peuvent être intégrés aux modèles causaux. Des expérimentations sur plusieurs jeux de données ont été menées pour valider l'approche proposée, et le code utilisé a été mis à disposition de manière open source. Ces expérimentations ont démontré des performances remarquables dans la gestion des questions de causalité et de prédiction. Les recherches récentes dans ce domaine sont également discutées. Deux études pertinenentes sont citées : "Causal Inference using Potential Outcomes: Design, Modeling, Decisions" et "The Do-Calculus Revisited". Ces travaux explorent des aspects spécifiques de la causal inference, offrant des insights complémentaires et des méthodologies avancées qui se marient bien avec les concepts abordés dans le livre. En somme, Applied Causal Inference Powered by ML and AI représente une contribution significative à la communauté scientifique, en fournissant des méthodes innovantes pour établir et analyser les relations causales à l'aide de techniques de machine learning avancées. Les chercheurs et les praticiens intéressés par l'intersection du machine learning et de la causal inference y trouveront des informations précieuses ainsi que des outils pratiques pour leurs propres recherches et applications.