CausalAgent: 엔드투엔드 인과 추론을 위한 대화형 멀티 에이전트 시스템

CausalAgent: A Conversational Multi-Agent System for End-to-End Causal Inference

인과 추론은 의료, 경제학, 사회과학 등의 분야에서 막대한 가치를 지닙니다. 그러나 전통적인 인과 분석 워크플로는 연구자들에게 통계학과 컴퓨터 공학에 대한 이중적 배경지식을 요구하며, 알고리즘 수동 선택, 데이터 품질 문제 처리, 복잡한 결과 해석 등을 수행해야 하는 등 상당한 기술적 장벽을 초래합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 엔드투엔드 인과 추론을 위한 대화형 멀티 에이전트 시스템인 CausalAgent를 제안합니다. 이 시스템은 멀티 에이전트 시스템(MAS), 검색 증강 생성(RAG), 모델 컨텍스트 프로토콜(MCP)을 혁신적으로 통합하여, 자연어 상호작용을 통해 데이터 정제 및 인과 구조 학습부터 편향 보정 및 보고서 생성까지의 과정을 자동화합니다. 사용자는 데이터셋을 업로드하고 자연어로 질문하기만 하면 엄밀하고 상호작용 가능한 분석 보고서를 제공받을 수 있습니다. 새로운 사용자 중심의 인간-AI 협업 패러다임인 CausalAgent는 분석 워크플로를 명시적으로 모델링합니다. 또한 상호작용형 시각화를 활용하여 분석 과정의 엄밀성과 해석 가능성을 보장하면서 인과 분석의 진입 장벽을 획기적으로 낮춥니다.

Causal inference holds immense value in fields such as healthcare, economics, and social sciences. However, traditional causal analysis workflows impose significant technical barriers, requiring researchers to possess dual backgrounds in statistics and computer science, while manually selecting algorithms, handling data quality issues, and interpreting complex results. To address these challenges, we propose CausalAgent, a conversational multi-agent system for end-to-end causal inference. The system innovatively integrates Multi-Agent Systems (MAS), Retrieval-Augmented Generation (RAG), and the Model Context Protocol (MCP) to achieve automation from data cleaning and causal structure learning to bias correction and report generation through natural language interaction. Users need only upload a dataset and pose questions in natural language to receive a rigorous, interactive analysis report. As a novel user-centered human-AI collaboration paradigm, CausalAgent explicitly models the analysis workflow. By leveraging interactive visualizations, it significantly lowers the barrier to entry for causal analysis while ensuring the rigor and interpretability of the process.