Modelo de Markov Oculto (HMM)

Um modelo de Markov oculto (HMM) é um tipo de modelo estatístico de IA utilizado para analisar dados sequenciais em que se assume que o sistema subjacente é um processo de Markov com estados não observados (ocultos). A ideia central é fazer inferências sobre uma sequência de estados ocultos com base numa sequência de resultados observáveis. Os HMM baseiam-se na propriedade de Markov, segundo a qual a probabilidade de um estado futuro depende apenas do estado atual e não de toda a história dos estados. Este facto faz dos HMMs uma ferramenta poderosa para tarefas em domínios como o Processamento de Linguagem Natural (PLN) e a bioinformática.

Como funcionam os modelos de Markov ocultos

Um HMM é constituído por vários componentes-chave que funcionam em conjunto para modelar dados sequenciais:

• Estados ocultos: Estes são os estados não observáveis do sistema que o modelo tenta inferir. Por exemplo, na previsão do tempo, os estados ocultos podem ser "Sol", "Nublado" ou "Chuvoso".
• Saídas observáveis (emissões): Estes são os pontos de dados visíveis que cada estado oculto pode produzir. Seguindo o exemplo da meteorologia, as observações podem ser "Temperatura elevada", "Temperatura baixa" ou "Humidade elevada".
• Probabilidades de transição: Estas probabilidades determinam a probabilidade de passar de um estado oculto para outro. Por exemplo, há uma certa probabilidade de que um dia "ensolarado" seja seguido por um dia "nublado".
• Probabilidades de emissão: Estas probabilidades representam a probabilidade de observar um determinado output dado que o sistema está num estado oculto específico. Por exemplo, a probabilidade de observar "Humidade elevada" é provavelmente maior se o estado oculto for "Chuvoso".

Para efetuar previsões, os HMM utilizam algoritmos estabelecidos. O algoritmo de Viterbi é normalmente utilizado para encontrar a sequência mais provável de estados ocultos dada uma sequência de observações. Para treinar o modelo e aprender as suas distribuições de probabilidade a partir de dados de treino, é frequentemente utilizado o algoritmo de Baum-Welch.

Aplicações no mundo real

Os HMMs têm sido aplicados com sucesso em vários domínios há décadas. Eis alguns exemplos importantes:

1. Reconhecimento da fala: Nos sistemas clássicos de reconhecimento de fala, os HMMs eram instrumentais. Os estados ocultos correspondem a fonemas (as unidades básicas de som numa língua) e as saídas observáveis são caraterísticas acústicas extraídas do discurso gravado. A tarefa do HMM é determinar a sequência mais provável de fonemas a partir do sinal áudio, que é depois utilizada para identificar as palavras faladas.
2. Bioinformática: Os HMMs são uma pedra angular da biologia computacional, nomeadamente para a descoberta de genes. Neste contexto, os estados ocultos podem representar partes de um gene, como "exão" (região codificante) ou "intrão" (região não codificante), enquanto as observações são a sequência de bases de ADN (A, C, G, T). Ao analisar uma longa sequência de ADN, um HMM pode identificar as localizações mais prováveis dos genes. O Centro Nacional de Informação Biotecnológica (NCBI) apresenta estes métodos em pormenor.

Comparação com conceitos relacionados

É importante distinguir os HMMs de outros modelos de sequência:

• Processos de Decisão de Markov (MDPs): Embora ambos envolvam estados e transições, os MDPs assumem que os estados são totalmente observáveis e centram-se na tomada de decisões (encontrar acções óptimas) no âmbito da Aprendizagem por Reforço (RL). Os HMMs concentram-se em inferir estados ocultos a partir de observações. Recursos como os materiais introdutórios do DeepMind cobrem RL e MDPs.
• Redes Neuronais Recorrentes (RNNs) e Memória de Curto Prazo Longa (LSTMs): Estes são modelos de aprendizagem profunda (DL) também concebidos para dados sequenciais. Ao contrário dos estados probabilísticos explícitos dos HMMs, os RNNs/LSTMs mantêm um vetor de estado oculto interno que evolui implicitamente à medida que processam sequências. Podem captar dependências mais complexas e de maior alcance, atingindo frequentemente uma maior precisão em tarefas como a tradução automática e o reconhecimento avançado de voz. Compreender os LSTMs fornece uma boa visão geral. Os modelos de visão modernos, como o Ultralytics YOLO, utilizam arquitecturas DL, frequentemente construídas com estruturas como o PyTorch ou o TensorFlow, para tarefas como a deteção de objectos e a segmentação de instâncias.

Embora os métodos mais recentes de aprendizagem profunda obtenham frequentemente resultados de ponta, os HMMs continuam a ser valiosos pela sua interpretabilidade (estados e probabilidades explícitos) e eficácia, especialmente quando os dados de formação são limitados ou o conhecimento do domínio pode ser incorporado na estrutura do modelo. A compreensão de conceitos fundamentais como os HMMs fornece um contexto valioso no panorama mais alargado do ML, mesmo quando se utilizam plataformas como o Ultralytics HUB, que facilitam principalmente o desenvolvimento e a implementação de modelos DL como o YOLOv8 ou o YOLO11.