Persamaan Tarot, Viterbi, dan LLM: Bagaimana Algoritma Memilih Satu Makna dari Banyak Kemungkinan

Artikel di Habr mengeksplorasi bagaimana interpretasi kartu Tarot dapat dimodelkan sebagai pemilihan jalur makna koheren terbaik dari beberapa kandidat, serupa dengan algoritma seperti Viterbi dan beam search. Penulis memulai dengan gagasan bahwa kartu bertindak sebagai fungsi pemetaan dari konteks dan makna asli ke serangkaian interpretasi yang mungkin, tetapi berpendapat bahwa unit pencarian harus berupa jalur semantik lengkap, bukan interpretasi tunggal. Contoh konkret dengan lima keadaan (Stagnasi, Pemikiran Ulang, Sumber Daya, Tindakan, Transisi) dan tiga kartu (Hanged Man, Magician, Chariot) menunjukkan bahwa pendekatan serakah memilih jalur suboptimal dibandingkan dengan optimum global Viterbi. Model formalnya adalah rantai Markov tak homogen bersyarat, di mana decoding Viterbi menemukan jalur maksimum yang tepat dalam waktu O(n*S^2). Namun, ketika skor bergantung pada seluruh riwayat atau teks bebas, substruktur optimal hilang, dan beam search digunakan sebagai metode perkiraan, dengan beam search beragam juga dibahas. Artikel ini membandingkan Viterbi, beam search, beam beragam, A*, MCTS, dan peringkat ulang dengan model bahasa besar (Large Language Model, LLM), serta menyebutkan faktor graf dan CRF linier-rantai sebagai formulasi yang lebih umum. Artikel ini juga mencatat bahwa makna nyata mungkin tidak cocok dengan keadaan diskrit, sehingga vektor embedding semantik dan peringkat ulang dengan LLM dapat digunakan, serta menyarankan arah untuk mengubah ilustrasi menjadi penelitian tentang praktik Tarot yang didukung AI.