Qué tienen en común el Tarot, Viterbi y los LLM: cómo un algoritmo elige un significado entre muchos

El artículo en Habr explora cómo la interpretación de las cartas del Tarot puede modelarse como la selección del camino de significado coherente más óptimo entre múltiples candidatos, de manera análoga a algoritmos como Viterbi y la búsqueda de haz. El autor comienza con la idea de que una carta actúa como una función de mapeo desde el contexto y el significado nativo hacia un conjunto de interpretaciones posibles, pero argumenta que la unidad de búsqueda debería ser un camino semántico completo, no una interpretación individual. Un ejemplo concreto con cinco estados (Estancamiento, Replanteamiento, Recursos, Acción, Transición) y tres cartas (El Colgado, El Mago, El Carro) muestra que un enfoque codicioso elige un camino subóptimo en comparación con el óptimo global de Viterbi. El modelo formal es una cadena de Markov no homogénea condicional, donde la decodificación de Viterbi encuentra el camino máximo exacto en tiempo O(n*S^2). Sin embargo, cuando la puntuación depende de toda la historia o de texto libre, se pierde la subestructura óptima, y se utiliza la búsqueda de haz como método aproximado, discutiéndose también la búsqueda de haz diversa. El artículo compara Viterbi, la búsqueda de haz, el haz diverso, A*, MCTS y el reordenamiento con LLM, y menciona los grafos de factores y los campos aleatorios condicionales de cadena lineal como formulaciones más generales. También señala que los significados reales pueden no ajustarse a estados discretos, por lo que se pueden usar vectores de incrustación semántica y reordenamiento con LLM, y sugiere direcciones para convertir la ilustración en investigación sobre la práctica del Tarot asistida por IA.