نموذج ماركوف المخفي (HMM)

نموذج ماركوف المخفي (HMM) هو نوع من نماذج الذكاء الاصطناعي الإحصائية المستخدمة لتحليل البيانات المتسلسلة حيث يُفترض أن النظام الأساسي هو عملية ماركوف ذات حالات (مخفية) غير مرصودة. وتتمثل الفكرة الأساسية في إجراء استنتاجات حول تسلسل الحالات المخفية بناءً على تسلسل المخرجات القابلة للملاحظة. وتعتمد HMMs على خاصية ماركوف التي تنص على أن احتمالية الحالة المستقبلية تعتمد فقط على الحالة الحالية وليس على تاريخ الحالات بالكامل. وهذا يجعل من HMMs أداة قوية للمهام في مجالات مثل معالجة اللغات الطبيعية (NLP ) والمعلوماتية الحيوية.

كيف تعمل نماذج ماركوف المخفية

يتكون HMM من عدة مكونات رئيسية تعمل معًا لنمذجة البيانات المتسلسلة:

• الحالات الخفية: وهي حالات النظام غير القابلة للرصد التي يحاول النموذج استنتاجها. على سبيل المثال، في التنبؤ بالطقس، قد تكون الحالات الخفية هي "مشمس" أو "غائم" أو "ممطر".
• المخرجات القابلة للرصد (الانبعاثات): هذه هي نقاط البيانات المرئية التي يمكن أن تنتجها كل حالة مخفية. باتباع مثال الطقس، يمكن أن تكون الملاحظات "درجة حرارة عالية" أو "درجة حرارة منخفضة" أو "رطوبة عالية".
• احتمالات الانتقال: تحكم هذه الاحتمالات احتمالية الانتقال من حالة خفية إلى أخرى. على سبيل المثال، هناك احتمال معين بأن يعقب يوم "مشمس" يوم "غائم".
• احتمالات الانبعاثات: تمثل هذه الاحتمالات احتمالية ملاحظة ناتج معين إذا كان النظام في حالة خفية محددة. على سبيل المثال، من المحتمل أن تكون احتمالية ملاحظة "رطوبة عالية" أعلى إذا كانت الحالة الخفية "ممطرة".

ولإجراء التنبؤات، تستخدم HMMs خوارزميات راسخة. تُستخدم خوارزمية فيتيربي عادةً للعثور على التسلسل الأكثر احتمالاً للحالات المخفية بالنظر إلى تسلسل الملاحظات. لتدريب النموذج وتعلم توزيعات الاحتمالات الخاصة به من بيانات التدريب، غالبًا ما يتم استخدام خوارزمية Baum-Welch.

التطبيقات الواقعية

تم تطبيق HMMs بنجاح في مجالات مختلفة لعقود من الزمن. وفيما يلي بعض الأمثلة البارزة:

1. التعرف على الكلام: في الأنظمة الكلاسيكية للتعرف على الكلام، كانت HMMs مفيدة. تتوافق الحالات المخفية مع الفونيمات (الوحدات الأساسية للصوت في اللغة)، والمخرجات القابلة للملاحظة هي السمات الصوتية المستخرجة من الكلام المسجل. تتمثل مهمة HMM في تحديد التسلسل الأكثر ترجيحًا للفونيمات من الإشارة الصوتية، والتي يتم استخدامها بعد ذلك لتحديد الكلمات المنطوقة.
2. المعلوماتية الحيوية: تعد HMMs حجر الزاوية في علم الأحياء الحاسوبي، خاصةً لإيجاد الجينات. وفي هذا السياق، قد تمثل الحالات المخفية أجزاءً من الجينات، مثل "إكسون" (منطقة الترميز) أو "إنترون" (منطقة غير مشفرة)، في حين أن الملاحظات هي تسلسل قواعد الحمض النووي (A، C، G، T). ومن خلال تحليل تسلسل طويل للحمض النووي، يمكن ل HMM تحديد المواقع الأكثر احتمالاً للجينات. ويوضح المركز الوطني لمعلومات التكنولوجيا الحيوية (NCBI) تفاصيل هذه الطرق.

المقارنة مع المفاهيم ذات الصلة

من المهم التمييز بين HMMs ونماذج التسلسل الأخرى:

• عمليات اتخاذ القرار ماركوف (MDPs): في حين أن كلاهما يتضمن حالات وانتقالات، تفترض عمليات اتخاذ القرار الماركوفية (MDPs) أن الحالات قابلة للملاحظة بشكل كامل وتركز على اتخاذ القرارات (إيجاد الإجراءات المثلى) في إطار التعلم المعزز (RL). تركز HMMs على استنتاج الحالات الخفية من الملاحظات. وتغطي الموارد مثل المواد التمهيدية لـ DeepMind المواد التمهيدية لـ RL و MDPs.
• الشبكات العصبية المتكررة (RNNs) و الذاكرة طويلة المدى قصيرة المدى (LSTMs): هذه هي نماذج التعلم العميق (DL) المصممة أيضًا للبيانات المتسلسلة. وخلافاً للحالات الاحتمالية الصريحة لشبكات HMMs، تحتفظ الشبكات العصبية المتكررة (RNNs)/الذاكرة طويلة الأجل القصيرة الأجل (LSTMs) بمتجه حالة مخفية داخلية تتطور ضمنياً أثناء معالجتها للتسلسلات. ويمكنها التقاط التبعيات الأكثر تعقيدًا والأطول مدى، وغالبًا ما تحقق دقة أعلى في مهام مثل الترجمة الآلية والتعرف المتقدم على الكلام. يوفر فهم LSTMs نظرة عامة جيدة. وتستخدم نماذج الرؤية الحديثة مثل Ultralytics YOLO بنيات DLMs، التي غالبًا ما يتم إنشاؤها باستخدام أطر عمل مثل PyTorch أو TensorFlow، لمهام مثل اكتشاف الكائنات وتجزئة المثيل.

في حين أن أساليب التعلم العميق الأحدث غالبًا ما تحقق أحدث النتائج، تظل HMMs ذات قيمة لقابليتها للتفسير (الحالات والاحتمالات الواضحة) وفعاليتها، خاصةً عندما تكون بيانات التدريب محدودة أو عندما تكون معرفة المجال يمكن دمجها في بنية النموذج. يوفر فهم المفاهيم التأسيسية مثل HMMs سياقًا قيّمًا في مشهد التعلم الآلي الأوسع، حتى عند استخدام منصات مثل Ultralytics HUB التي تسهل في المقام الأول تطوير ونشر نماذج التعلم العميق مثل YOLOv8 أو YOLO11.