Dans le domaine de la <a href="http://bayes.cs.ucla.edu/WHY/">causalité</a>, un calcul efficace et exhaustif des probabilités <em>par intervention</em> a été proposé par Judea Pearl (prix Turing, 2012). Ce calcul demande la représentation d'un modèle causal, extension d'un modèle probabiliste puis permet de déterminer la possibilité du calcul d'un impact causal. Si le calcul est possible, le modèle propose une méthode de calcul efficace, à partir des variables observables.
Une maquette implémentant l'ensemble de ces calculs a été développés en python. Toutefois, afin de la rendre la plus utilisable possible, il est maintenant nécessaire d'auditer cette maquette, de modifier et améliorer si besoin les algorithmes et les techniques utilisées pour cette implémentation. Enfin il s'agit de coder la version définitive en C++ de la librairie. À terme, le but est l'intégration de cette librairie dans le projet <a href="https://agrum.org">aGrUM</a>.
Ce sujet est assez technique. Il mélange modèle probabiliste, causalité et implémentation efficace en C++17 dans un projet de grande taille (aGrUM).