El modelo oculto de Markov es un modelo probabilístico usado en la predicción de procesos aleatorios, es decir, no tenemos ningún tipo de medición o conocimiento sobre cómo se pueden hacer esas predicciones. Se denomina oculto porque no sabemos los estados intermedios, sino que simplemente partimos de probabilidades generales a partir de observaciones y vemos cómo se relacionan todas esas observaciones entre sí.

Modelo oculto de Markov

El modelo oculto de Markov, también llamado Hidden Markov Model o HMM, es un modelo estadístico que se utiliza para describir sistemas complejos que evolucionan con el tiempo. Estos sistemas están compuestos por una serie de estados discretos que cambian a lo largo del tiempo, pero no podemos observar directamente qué estado se encuentra en un momento dado. Podemos observar solo una serie de símbolos o eventos que se producen en función del estado en el que se encuentra el sistema.

El modelo oculto de Markov es un modelo generativo que usa una cadena de Markov para modelar la evolución de los estados ocultos y una distribución de probabilidad condicional para modelar la relación entre los estados ocultos y las observaciones.

Este modelo asume que las observaciones están relacionadas solo con el estado actual del sistema y no dependen de estados anteriores o futuros. Este tipo de modelos se emplean en una amplia variedad de aplicaciones, incluyendo el procesamiento del habla, el reconocimiento de escritura a mano, la predicción del tiempo o la clasificación de señales biológicas, entre otras.

Funcionamiento del modelo oculto de Markov

Ya que el modelo oculto de Markov parte de muchas observaciones que se juntan y crean predicciones, veamos cómo se relacionan todas estas observaciones.

Imaginemos que tenemos las siguientes observaciones:

• Hoy hace sol.
• Mañana llueve.
• Al día siguiente hace sol otra vez.

A partir de la probabilidad que tenemos observada, al cuarto día puede que haga sol. De esa misma forma se utiliza este modelo oculto de Markov para texto, que, en función de las probabilidades de combinación de palabras, nos dice cuál sería la siguiente más probable.

Natural Language Generation + modelo oculto de Markov

Observemos la siguiente imagen:

Partimos de un modelo inicial, del cual no sabemos nada, y vamos teniendo en cuenta observaciones. En este caso, vamos a ver que hay un 60% de probabilidades de que llueva y un 40% de probabilidades de que haga sol; estas conclusiones se sacan con base en todas las observaciones.

Entonces, dependiendo de si llueve o hace sol, las probabilidades de que vayamos a caminar, de compras o de limpiar la casa son diferentes.

De esta forma, lo que empezamos a hacer es un modelo gigante de probabilidades, teniendo en cuenta todos los análisis y observaciones que hayamos visualizado.

Aplicado en NLG, la extrapolación sería: cada nodo es una de las palabras que tenemos en el vocabulario; asimismo, las probabilidades son como las asociaciones que tienen las palabras entre ellas. Por ejemplo, si vemos la preposición «de», es muy probable que luego vaya acompañada de un sustantivo. Entonces, si tenemos un «de», lo que hace el modelo oculto de Markov es generar un sustantivo entre los más probables que tenga y que sean más cercanos a esta preposición.

Ejemplo de modelo oculto de Markov

Si, por ejemplo, quisiéramos generar una oración en español que inicie con el sujeto «ella», podemos utilizar el modelo oculto de Markov para determinar la probabilidad de qué palabras suelen seguir a «ella». Si el modelo indica que la palabra más probable que sigue a «ella» es «escribió», podemos generar la oración «ella escribió».

Si quisiéramos generar oraciones de mayor complejidad, podríamos utilizar un modelo oculto de Markov de un orden superior, que tiene en cuenta la probabilidad de que ciertas palabras sigan a una secuencia de palabras. De este modo, podríamos generar oraciones más coherentes y con una estructura gramatical más compleja.

¿Qué sigue?

Ahora que sabes qué es el modelo oculto de Markov, es el momento de seguir formándote en alguna de las numerosas temáticas que tiene el ámbito del Big Data. En KeepCoding te ofrecemos la posibilidad de aprender con los mejores profesionales, que te guiarán a través de la teoría y la práctica para que, en unos pocos meses, te transformes en un gran profesional IT. Échale un vistazo al temario de nuestro Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp y descubre esta formación intensiva de alta calidad. ¡Solicita ya más información y da el paso que impulsará tu futuro!