Hidden Markov Model (HMM)

يعد نموذج ماروف الخفي (HMM) إطاراً إحصائياً يُستخدم لنمذجة الأنظمة التي لا تكون فيها العملية الداخلية مرئية بشكل مباشر - ومن هنا جاءت تسميتها "بالخفيَّة" - ولكن يمكن استنتاجها من خلال تسلسل الأحداث القابلة للملاحظة. وبينما تطور التعلم العميق الحديث لمعالجة التسلسلات المعقدة، يظل نموذج HMM مفهوماً أساسياً في الذكاء الاصطناعي الإحصائي ونظرية الاحتمالات. وهو فعال بشكل خاص لتحليل بيانات تحليل السلاسل الزمنية حيث يوفر ترتيب الأحداث سياقاً بالغ الأهمية، معتمداً على المبدأ الأساسي القائل بأن احتمال الحالة المستقبلية يعتمد حصراً على الحالة الحالية، وليس على التاريخ الذي سبقها.

الآليات الأساسية لـ HMMs#

لفهم كيفية عمل HMM، من الضروري التمييز بين طبقتين متميزتين من النموذج: الحالات غير المرئية والمخرجات المرئية. يفترض النموذج أن النظام ينتقل بين الحالات الخفية وفقاً لاحتمالات محددة، مما ينتج ملاحظة عند كل خطوة.

يتم تعريف HMM بواسطة مجموعة من المعلمات التي تحكم هذه الانتقالات والانبعاثات:

• الحالات الخفية: تمثل هذه الحالات الواقع الكامن للنظام في وقت معين. في نموذج الكلام، قد تمثل الحالة الخفية صوتاً أو كلمة معينة.
• الأحداث القابلة للملاحظة: هي نقاط البيانات التي يتم جمعها فعلياً بواسطة المستشعرات أو المدخلات. في مثال الكلام، ستكون الملاحظة هي الشكل الموجي للصوت أو بيانات مخطط الطيف الترددي.
• احتمالات الانتقال: توصف هذه المصفوفة احتمالية الانتقال من حالة خفية إلى أخرى. على سبيل المثال، احتمال تغير الطقس من "ممطر" إلى "مشمس".
• احتمالات الانبعاث: تحدد هذه الاحتمالات احتمالية رؤية ملاحظة معينة بالنظر إلى الحالة الخفية الحالية.
• الاحتمالات الأولية: التوزيع الذي يحدد الحالة التي من المرجح أن يبدأ فيها النظام.

يتضمن تدريب نموذج HMM عموماً خوارزمية بوم-ويلش لتقدير هذه المعلمات من بيانات التدريب. بمجرد التدريب، تُستخدم عادةً خوارزمية فيتربي لفك تشفير التسلسل الأكثر ترجيحاً للحالات الخفية من مجموعة جديدة من الملاحظات.

HMMs مقابل نماذج التسلسل الأخرى#

بينما تتشارك HMMs في أوجه التشابه مع أدوات معالجة التسلسل الأخرى، إلا أنها تختلف بشكل كبير في البنية والتطبيق:

• مقارنة بين HMM والشبكات العصبية المتكررة (RNN): تُعد شبكات RNN وشبكات الذاكرة طويلة القصيرة المدى (LSTM) نماذج تعلم عميق يمكنها التقاط التبعيات طويلة المدى والأنماط غير الخطية، في حين أن نماذج HMM هي نماذج أبسط وأكثر احتمالية ومحدودة بافتراض ماركوف (الذاكرة قصيرة المدى). ومع ذلك، تتطلب نماذج HMM بيانات أقل بكثير وهي أكثر قابلية للتفسير بكثير.
• مقارنة بين HMM وفلتر كالمان (KF): يُستخدم كلاهما لتقدير الحالة. ومع ذلك، فإن فلاتر كالمان مصممة للحالات المستمرة (مثل تتبع الموقع الدقيق لسيارة متحركة)، بينما تُستخدم نماذج HMM للحالات المنفصلة (مثل تحديد ما إذا كانت السيارة "متوقفة"، أو "تسير"، أو "متوقفة مؤقتاً").

تطبيقات العالم الحقيقي#

على الرغم من صعود التعلم العميق (DL)، لا تزال نماذج ماركوف الخفية تُستخدم على نطاق واسع في السيناريوهات التي تتطلب الاستدلال الاحتمالي عبر التسلسلات.

التعرف على الكلام والكتابة اليدوية#

تاريخياً، كانت نماذج HMM بمثابة العمود الفقري لأنظمة التعرف على الكلام. في هذا السياق، تكون الكلمات المنطوقة هي الحالات "الخفية"، وتكون الإشارات الصوتية المسجلة بواسطة الميكروفون هي الملاحظات. تساعد نماذج HMM في تحديد تسلسل الكلمات الأكثر ترجيحاً الذي أنتج الإشارة الصوتية. وبالمثل، فهي تساعد في فك شفرة خط的手寫 المائل (العادي/المتصل) من خلال نمذجة الانتقال بين ضربات الحروف.

تحليل التسلسل البيولوجي#

في مجال الإنفورماتيك الحيوي، تُعد نماذج HMM بالغة الأهمية للتنبؤ الجينات ومحاذاة البروتينات. وهي تحلل تسلسلات الحمض النووي أو الأحماض الأمينية لتحديد المناطق الوظيفية، مثل الجينات داخل الجينوم. قد تمثل الحالات "الخفية" المناطق المشفرة أو غير المشفرة، بينما تعمل النيوكليوتيدات المحددة (A, C, G, T) كملاحظات.

التعرف على الأنشطة في رؤية الكمبيوتر#

في الرؤية الحاسوبية الحديثة، يمكن دمج نماذج HMM مع نماذج مثل YOLO26 لتنفيذ التعرف على الحركة. بينما تكتشف YOLO الكائنات أو الوضعيات في الإطارات الفردية، يمكن لنموذج HMM تحليل تسلسل هذه الوضعيات بمرور الوقت لتصنيف إجراء ما، مثل "المشي" أو "الجري" أو "الوقوع".

دمج الرؤية وتحليل الحالة#

بالنسبة للمطورين الذين يستخدمون منصة Ultralytics لإدارة مجموعات البيانات والنماذج، يُعد فهم المنطق التسلسلي أمراً بالغ الأهمية. يوفر نموذج الرؤية الملاحظات الخام (الاكتشافات)، والتي يمكن بعد ذلك تغذيتها في نموذج الفضاء-الحالي مثل HMM لاستنتاج السياق الزمني.

يوضح المثال التالي كيفية إنشاء تسلسل من الملاحظات باستخدام تقدير وضعية YOLO26. يمكن أن تكون هذه النقاط الرئيسية بمثابة مدخلات "الأحداث القابلة للملاحظة" لنموذج HMM لاحق أو منطق مشابه لتصنيف السلوكيات بمرور الوقت.

from ultralytics import YOLO

# Load the YOLO26n-pose model for efficient keypoint detection
model = YOLO("yolo26n-pose.pt")

# Run inference on a video source (the 'observable' sequence)
# stream=True creates a generator for memory efficiency
results = model.predict(source="path/to/video.mp4", stream=True)

# Iterate through frames to extract observations
for result in results:
    # Each 'keypoints' object is an observation for a potential HMM
    keypoints = result.keypoints.xyn.cpu().numpy()

    if keypoints.size > 0:
        print(f"Observation (Normalized Keypoints): {keypoints[0][:5]}...")
        # In a full pipeline, these points would be fed into an HMM decoder

الأهمية في الذكاء الاصطناعي الحديث#

على الرغم من أن المحولات و نماذج اللغة الكبيرة (LLMs) قد تجاوزت نماذج HMM لمهام مثل معالجة اللغات الطبيعية (NLP)، إلا أن نماذج HMM تظل ذات صلة في الحوسبة الطرفية وبيئات زمن الانتقال المنخفض. تجعلها كفاءتها الحسابية مثالية للأنظمة ذات الموارد المحدودة حيث لا يكون الاستخدام الكثيف لـ GPU ممكناً. علاوة على ذلك، ونظراً لكونها تعتمد على مصفوفات احتمالية شفافة، فإنها توفر قابلية ملاحظة أعلى مقارنة بطبيعة "الصندوق الأسود" للعديد من الشبكات العصبية.