Hidden Markov Model (HMM)

يُعد نموذج ماركوف المخفي (HMM) إطارًا إحصائيًا يُستخدم لنمذجة الأنظمة التي لا تكون عمليتها الداخلية مرئية مباشرةً—ومن هنا جاءت صفة «المخفية»—لكن يمكن استنتاجها من خلال سلسلة من الأحداث القابلة للرصد. وعلى الرغم من أن التعلم العميق الحديث قد تطور للتعامل مع السلاسل المعقدة، يظل HMM مفهومًا أساسيًا في الذكاء الاصطناعي الإحصائي ونظرية الاحتمالات. وهو فعال خصوصًا في تحليل بيانات تحليل السلاسل الزمنية، حيث يوفر ترتيب الأحداث سياقًا بالغ الأهمية، مستندًا إلى المبدأ الأساسي القائل إن احتمال الحالة المستقبلية يعتمد حصريًا على الحالة الحالية، وليس على التاريخ السابق لها.

الآليات الأساسية لنماذج HMM#

لفهم كيفية عمل نموذج HMM، من الضروري التمييز بين طبقتي النموذج المختلفتين: الحالات غير المرئية والمخرجات المرئية. ويفترض النموذج أن النظام ينتقل بين الحالات المخفية وفق احتمالات محددة، ويُصدر ملاحظة في كل خطوة.

يُعرَّف نموذج HMM بمجموعة من المعلمات التي تتحكم في عمليات الانتقال والإصدار هذه:

• الحالات المخفية: تمثل الواقع الكامن للنظام في وقت معين. ففي نموذج الكلام، قد تمثل الحالة المخفية صوتًا لغويًا أو كلمة محددة.
• الأحداث القابلة للرصد: هي نقاط البيانات التي تجمعها المستشعرات أو المدخلات فعليًا. وفي مثال الكلام، ستكون الملاحظة هي شكل الموجة الصوتية أو بيانات مخطط الطيف.
• احتمالات الانتقال: تصف هذه المصفوفة احتمال الانتقال من حالة مخفية إلى أخرى. فعلى سبيل المثال، احتمال تغير الطقس من «ممطر» إلى «مشمس».
• احتمالات الإصدار: تحدد هذه الاحتمالات مدى احتمال رؤية ملاحظة محددة بالنظر إلى حالة مخفية حالية.
• الاحتمالات الأولية: هو التوزيع الذي يحدد الحالة التي يُرجح أن يبدأ النظام فيها.

يتضمن تدريب نموذج HMM عمومًا استخدام خوارزمية Baum-Welch لتقدير هذه المعلمات من بيانات التدريب. وبعد التدريب، تُستخدم خوارزمية Viterbi عادةً لفك ترميز التسلسل الأكثر احتمالًا للحالات المخفية من مجموعة جديدة من الملاحظات.

نماذج HMM مقارنةً بنماذج السلاسل الأخرى#

على الرغم من تشابه نماذج HMM مع أدوات معالجة السلاسل الأخرى، فإنها تختلف عنها اختلافًا كبيرًا في البنية والتطبيق:

• HMM مقارنةً بـ الشبكات العصبية المتكررة (RNN): تُعد شبكات RNN وشبكات الذاكرة طويلة وقصيرة الأمد (LSTM) نماذج تعلم عميق قادرة على التقاط التبعيات بعيدة المدى والأنماط غير الخطية، بينما تُعد نماذج HMM نماذج احتمالية أبسط، وتحدها فرضية ماركوف (الذاكرة قصيرة الأمد). ومع ذلك، تتطلب نماذج HMM بيانات أقل بكثير، كما أنها أكثر قابلية للتفسير بدرجة كبيرة.
• HMM مقارنةً بـ مرشح كالمان (KF): يُستخدم كلاهما لتقدير الحالة. إلا أن مرشحات كالمان مصممة للحالات المستمرة، مثل تتبع الموقع الدقيق لسيارة متحركة، بينما تُستخدم نماذج HMM للحالات المتقطعة، مثل تحديد ما إذا كانت السيارة «متوقفة» أو «تسير» أو «متوقفة مؤقتًا».

التطبيقات الواقعية#

على الرغم من صعود التعلم العميق (DL)، لا تزال نماذج ماركوف المخفية مستخدمة على نطاق واسع في السيناريوهات التي تتطلب استدلالًا احتماليًا على السلاسل.

التعرف على الكلام والكتابة اليدوية#

تاريخيًا، كانت نماذج HMM العمود الفقري لأنظمة التعرف على الكلام. وفي هذا السياق، تكون الكلمات المنطوقة هي الحالات «المخفية»، بينما تكون الإشارات الصوتية التي يسجلها الميكروفون هي الملاحظات. وتساعد نماذج HMM في تحديد التسلسل الأكثر احتمالًا للكلمات التي أنتجت الإشارة الصوتية. وبالمثل، تساعد في فك رموز الكتابة اليدوية المتصلة من خلال نمذجة الانتقال بين ضربات الأحرف.

تحليل السلاسل البيولوجية#

في مجال المعلوماتية الحيوية، تؤدي نماذج HMM دورًا محوريًا في التنبؤ بالجينات ومحاذاة البروتينات. فهي تحلل سلاسل DNA أو الأحماض الأمينية لتحديد المناطق الوظيفية، مثل الجينات داخل الجينوم. وقد تمثل الحالات «المخفية» مناطق مُرمِّزة أو غير مُرمِّزة، بينما تعمل النيوكليوتيدات المحددة (A, C, G, T) بوصفها الملاحظات.

التعرف على الأفعال في الرؤية الحاسوبية#

في الرؤية الحاسوبية الحديثة، يمكن دمج نماذج HMM مع نماذج مثل YOLO26 لتنفيذ التعرف على الأفعال. وبينما يكتشف YOLO الكائنات أو الوضعيات في الإطارات الفردية، يستطيع نموذج HMM تحليل تسلسل هذه الوضعيات بمرور الوقت لتصنيف فعل مثل «المشي» أو «الجري» أو «السقوط».

دمج الرؤية وتحليل الحالات#

بالنسبة إلى المطورين الذين يستخدمون منصة Ultralytics لإدارة مجموعات البيانات والنماذج، يُعد فهم المنطق التسلسلي أمرًا حيويًا. ويوفر نموذج الرؤية الملاحظات الخام (الاكتشافات)، التي يمكن تمريرها بعد ذلك إلى نموذج فضاء الحالة مثل HMM لاستنتاج السياق الزمني.

يوضح المثال التالي كيفية إنشاء سلسلة من الملاحظات باستخدام تقدير الوضعيات في YOLO26. ويمكن استخدام هذه النقاط الرئيسية بوصفها مدخل «الأحداث القابلة للرصد» إلى نموذج 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 المحوّلات و[النماذج اللغوية الكبيرة (LLMs)] قد تجاوزت نماذج HMM في مهام مثل معالجة اللغة الطبيعية (NLP)، تظل نماذج HMM ذات صلة في الحوسبة الطرفية والبيئات منخفضة زمن الاستجابة. فكفاءتها الحسابية تجعلها مثالية للأنظمة محدودة الموارد، حيث لا يكون الاستخدام المكثف لـ GPU ممكنًا. وعلاوةً على ذلك، لأنها تستند إلى مصفوفات احتمالية شفافة، فإنها توفر قابلية ملاحظة أعلى مقارنةً بطبيعة «الصندوق الأسود» التي تتسم بها كثير من الشبكات العصبية.