Ce que le Tarot, Viterbi et les LLM ont en commun : comment un algorithme choisit un sens parmi tant d'autres

L'article sur Habr explore comment l'interprétation des cartes de tarot peut être modélisée comme la sélection du chemin de sens cohérent le plus pertinent parmi plusieurs candidats, de manière analogue à des algorithmes comme Viterbi et la recherche par faisceau. L'auteur part de l'idée qu'une carte agit comme une fonction de mapping entre le contexte et la signification native vers un ensemble d'interprétations possibles, mais soutient que l'unité de recherche devrait être un chemin sémantique complet, et non une interprétation unique. Un exemple concret avec cinq états (Stagnation, Remise en question, Ressources, Action, Transition) et trois cartes (Le Pendu, Le Magicien, Le Chariot) montre qu'une approche gloutonne choisit un chemin sous-optimal par rapport à l'optimum global de Viterbi. Le modèle formel est une chaîne de Markov inhomogène conditionnelle, où le décodage de Viterbi trouve le chemin maximal exact en temps O(n*S^2). Cependant, lorsque le score dépend de toute l'histoire ou du texte libre, la sous-structure optimale est perdue, et la recherche par faisceau est utilisée comme méthode approximative, avec également une discussion sur la recherche par faisceau diversifiée. L'article compare Viterbi, la recherche par faisceau, le faisceau diversifié, A*, MCTS et le reclassement par LLM, et mentionne les graphes de facteurs et les champs aléatoires conditionnels linéaires comme formulations plus générales. Il note également que les significations réelles peuvent ne pas correspondre à des états discrets, donc des vecteurs d'embedding sémantique et le reclassement par LLM peuvent être utilisés, et suggère des directions pour transformer l'illustration en recherche sur la pratique du tarot assistée par IA.