نماذج ماركوف المخفية (HMMs) هي نوع من النماذج الإحصائية المستخدمة في التعلم الآلي لوصف الأنظمة التي تتطور بمرور الوقت. تخيل نظامًا يمكنك فيه ملاحظة مخرجات معينة، لكن الحالات الأساسية التي تقود هذه المخرجات مخفية. تم تصميم HMMs لاستنتاج هذه الحالات المخفية بناءً على تسلسل المخرجات المرصودة. وهذا ما يجعلها مفيدة بشكل خاص في السيناريوهات التي تكون فيها البيانات متسلسلة والحالة الحقيقية للنظام غير قابلة للملاحظة المباشرة.
المفاهيم الأساسية لنماذج ماركوف المخفية
يوجد في قلب HMM مكونان رئيسيان: الحالات الخفية والملاحظات. الحالات الخفية هي العوامل التي لا يمكن ملاحظتها والتي تؤثر على سلوك النظام. فكر في هذه الحالات على أنها العوامل أو الظروف الداخلية التي لا يمكن قياسها مباشرة. أما الملاحظات، من ناحية أخرى، فهي نقاط البيانات التي يمكننا رؤيتها أو قياسها بالفعل، والتي ترتبط احتماليًا بالحالات الخفية.
تعمل HMMs وفق افتراضين أساسيين:
- افتراض ماركوف: تعتمد الحالة المخفية الحالية على الحالة المخفية السابقة فقط، وليس على تاريخ الحالات بالكامل. هذه الخاصية "عديمة الذاكرة" تبسّط النموذج وتجعل الحساب ممكنًا. على سبيل المثال، في التنبؤ بالطقس باستخدام HMM، يعتمد طقس اليوم (الحالة المخفية) على طقس الأمس فقط، وليس على الطقس منذ أسبوع مضى.
- افتراض استقلالية الملاحظة: تعتمد الملاحظة الحالية على الحالة الخفية الحالية فقط، وهي مستقلة عن الحالات الخفية السابقة والملاحظات السابقة بالنظر إلى الحالة الخفية الحالية. استمرارًا لمثال الطقس، تعتمد رؤية المطر اليوم (الملاحظة) فقط على حالة الطقس اليوم (الحالة الخفية، على سبيل المثال، "ممطر" أو "مشمس")، وليس على حالة الطقس بالأمس.
تسمح لنا هذه الافتراضات بتعريف HMM باستخدام بعض التوزيعات الاحتمالية الرئيسية:
- احتمالات الانتقال: تحدد هذه الاحتمالات احتمالية الانتقال من حالة خفية إلى أخرى. على سبيل المثال، احتمالية الانتقال من حالة "مشمسة" إلى حالة "غائمة" في مثالنا عن الطقس.
- احتمالات الانبعاثات: تحدد هذه الاحتمالات احتمالية ملاحظة ناتج معين بالنظر إلى حالة مخفية. على سبيل المثال، احتمال ملاحظة "مطر" عندما تكون الحالة المخفية "ممطرة".
- احتمالات الحالة الأولية: وهي تحدد احتمالات البدء في كل حالة من الحالات الخفية الممكنة في بداية المتتابعة.
لفهم النظام، تحل HMMs ثلاث مشاكل رئيسية:
- التقييم: بمعلومية نموذج وتسلسل ملاحظة، احسب احتمالية توليد هذا التسلسل بواسطة النموذج. غالباً ما يتم حل هذه العملية باستخدام خوارزمية Forward.
- فك التشفير: إذا كان لدينا نموذج وتسلسل ملاحظات، اعثر على التسلسل الأكثر احتمالاً للحالات الخفية التي أنتجت الملاحظات. تُستخدم خوارزمية فيتربي عادةً لهذا الغرض.
- التعلّم: بالنظر إلى تسلسل ملاحظة، تعلّم بارامترات النموذج (الانتقال والانبعاث والاحتمالات الأولية) التي تفسر البيانات المرصودة على أفضل وجه. تُستخدم خوارزمية Baum-Welch (شكل من أشكال تعظيم التوقع) لهذا الغرض.
تطبيقات نماذج ماركوف المخفية في الذكاء الاصطناعي
وقد تم تطبيق HMMs بنجاح في مجالات مختلفة في الذكاء الاصطناعي، لا سيما عندما يتعلق الأمر بالبيانات المتسلسلة والعمليات الخفية. فيما يلي بعض الأمثلة البارزة:
- التعرف على الكلام: أحد أكثر التطبيقات الكلاسيكية والناجحة ل HMMs هو في أنظمة التعرف على الكلام. في الكلام، يتم توليد الإشارات الصوتية (الملاحظات) من خلال تسلسل الفونيمات أو الكلمات المنطوقة (الحالات المخفية). تُستخدم ال HMMs لنمذجة العلاقات الاحتمالية بين الفونيمات والسمات الصوتية، مما يسمح للأنظمة بنسخ اللغة المنطوقة إلى نص. وغالباً ما تستخدم أنظمة التعرف على الكلام الحديثة نماذج تعلم عميق أكثر تعقيداً، لكن HMMs وضعت دوراً أساسياً في هذا المجال، ولا تزال تستخدم في المناهج الهجينة.
- المعلوماتية الحيوية: تُستخدم HMMs على نطاق واسع في المعلوماتية الحيوية لتحليل التسلسلات البيولوجية مثل تسلسل الحمض النووي وتسلسل البروتين. على سبيل المثال، في التنبؤ الجيني، يمكن نمذجة تسلسل النيوكليوتيدات في الحمض النووي (الملاحظات) لاستنتاج البنى الجينية الأساسية (الحالات الخفية)، مثل مناطق الترميز والمناطق غير المشفرة. يمكن ل HMMs تحديد الأنماط والزخارف في هذه التسلسلات، مما يساعد على فهم وظيفة وبنية الجينات والبروتينات.
بالإضافة إلى هذه التطبيقات الأساسية، يمكن العثور على HMMs في:
- معالجة اللغة الطبيعية (NLP): لمهام مثل وضع علامات على جزء من الكلام، حيث تكون الكلمات في الجملة هي الملاحظات والعلامات النحوية الأساسية هي الحالات المخفية. يمكنك استكشاف المزيد حول معالجة اللغة الطبيعية (NLP) وتطبيقاتها المتنوعة في الذكاء الاصطناعي.
- النمذجة المالية: لتحليل بيانات السلاسل الزمنية المالية، حيث تتأثر أسعار الأسهم المرصودة بأنظمة السوق الخفية (على سبيل المثال، السوق الصاعدة، السوق الهابطة). ويُعد تحليل السلاسل الزمنية جانبًا حاسمًا لفهم اتجاهات البيانات بمرور الوقت.
- التعرف على النشاط: في أنظمة الرؤية الحاسوبية والأنظمة القائمة على أجهزة الاستشعار، يمكن أن تتعرف الـ HMMs على الأنشطة البشرية من تسلسل قراءات أجهزة الاستشعار أو إطارات الفيديو. وبينما يتفوق موقع Ultralytics YOLO في الكشف عن الأجسام في الوقت الحقيقي وتجزئة الصور في إطارات فردية، يمكن أن تضيف HMMs بُعدًا زمنيًا لفهم تسلسل الإجراءات.
في حين أن التقنيات الأحدث مثل الشبكات العصبية المتكررة (RNNs) والمحولات هي المهيمنة الآن في العديد من مهام نمذجة التسلسل بسبب قدرتها على التقاط التبعيات بعيدة المدى والتعامل مع أنماط أكثر تعقيدًا، تظل نماذج ماركوف المخفية أداة قيّمة، خاصة عندما تكون الأولوية لقابلية التفسير والكفاءة الحسابية، أو عندما يكون افتراض ماركوف تقريبًا معقولاً للنظام الأساسي. فهي توفر إطارًا احتماليًا لفهم البيانات المتسلسلة واستنتاج البنى الخفية، مما يجعلها حجر الزاوية في مجال التعلم الآلي والذكاء الاصطناعي.
