Parte IV · Cap. 20 — HMM (Modelo de Markov Oculto)
Probabilística · Sequências · Cadeia de Markov + emissões. Modela sequências com estados latentes que emitem observações. Card:
../02-tipos-de-ia/03-probabilistica.kmd.
🎨 Figura
F-IV.20.0— Estados que se escondem. Brief: cadeia de estados ocultos (círculos) ligados no tempo, cada um emitindo uma observação (quadrados); caminho de Viterbi destacado.
1. Definição e história curta
Modela um processo de Markov cujos estados não são observados diretamente. Dominou o reconhecimento de fala e a bioinformática antes do deep learning (ver Parte III, era 4).
2. Fundamentos
- Processos estocásticos — cadeias de Markov.
- Probabilidade — verossimilhança, marginalização.
- Estatística — estimação por máxima verossimilhança (EM).
3. Algoritmos e arquiteturas
- Forward-backward — probabilidade das observações.
- Viterbi — sequência de estados mais provável.
- Baum-Welch (EM) — aprende parâmetros sem rótulos de estado.
4. Insumos
- Hardware: CPU; leve.
- Dados: sequências (áudio, DNA, texto).
- Estruturas de dados: matrizes de transição/emissão, trellis.
- Sistemas: hmmlearn, HTK (legado de fala).
5. Ciclo de vida especializado
| Etapa | Especialização |
|---|---|
| 0 Problema | Sequência com estrutura latente (fonemas, genes) |
| 1 Dados | Sequências; (parcialmente) rotuladas |
| 2 EDA | Estatística de transições, duração de estados |
| 3 Modelagem | Nº de estados, topologia, distribuições de emissão |
| 4 Treino | Baum-Welch (EM) |
| 5 Avaliação | Verossimilhança, acerto de decodificação |
| 5.5 Homologação | Robustez, generalização |
| 6 Produção | Decodificação (Viterbi) em tempo real |
| 7 Monitoramento | Drift da sequência |
| 8 Retreino | Reestimar |
| 9 Governança | Conforme domínio |
6. Capacidades, modos e modalidades
Sequencial/temporal: fala (legado), PoS-tagging, bioinformática (alinhamento de genes), reconhecimento de gestos; interpretável e barato.
7. Limites, riscos e ética
Suposição de Markov (memória curta); emissões simples; superado por redes neurais em tarefas complexas, mas ainda útil em bioinformática e cenários com poucos dados.
8. Estado da arte e exemplos
Bioinformática (perfis HMM, alinhamento), nichos de baixo recurso; conceito de estado latente sequencial ecoa nos SSMs modernos (cap. 13).