在审视了识别和估算因果效应的进阶方法后，我们现在来处理一个实际难题：如何将这些方法嵌入 (embedding)到正常运行的机器学习 (machine learning)系统中。标准的机器学习工作流程通常优先考虑预测准确性，有时会忽视驱动结果的因果机制。这可能会限制系统支持有效决策或预测干预结果的能力。

本章将介绍将因果思考融入机器学习整个生命周期的方法。你将了解到：

• 应用因果知识来改进特征工程和特征选择。
• 开发考虑到因果结构或目标的机器学习模型。
• 使用因果标准评估模型性能，例如干预效果或公平性。
• 运用因果推断来完善A/B测试的设计和分析。
• 监测已部署系统中的潜在因果关系变化。
• 在MLOps框架内架构和维护因果推断组件。

目标是提供实用的策略，用以构建不仅具有预测能力，而且得到因果分析支持的机器学习系统，从而实现更可靠的干预和对系统更好的理解。