Wat Tarot, Viterbi en LLM's gemeen hebben: hoe een algoritme één betekenis kiest uit vele

Het artikel op Habr onderzoekt hoe de interpretatie van Tarotkaarten kan worden gemodelleerd als het selecteren van het beste coherente betekenispad uit meerdere kandidaten, analoog aan algoritmen zoals Viterbi en beam search. De auteur begint met het idee dat een kaart fungeert als een afbeelding van context en eigen betekenis naar een verzameling mogelijke interpretaties, maar stelt dat de zoekeenheid een volledig semantisch pad moet zijn, niet een enkele interpretatie. Een concreet voorbeeld met vijf toestanden (Stagnatie, Herbezinning, Hulpbronnen, Actie, Transitie) en drie kaarten (De Gehangene, De Magiër, De Zegewagen) toont aan dat een hebzuchtige aanpak een suboptimaal pad kiest vergeleken met het globale optimum van Viterbi. Het formele model is een conditionele inhomogene Markov-keten, waarbij Viterbi-decoding het exacte maximale pad vindt in O(n*S^2) tijd. Wanneer de score echter afhangt van de volledige geschiedenis of vrije tekst, gaat de optimale substructuur verloren, en wordt beam search gebruikt als benaderende methode, waarbij ook diverse beam search wordt besproken. Het artikel vergelijkt Viterbi, beam search, diverse beam, A*, MCTS (Monte Carlo-boom zoeken) en LLM-reranking (herrangschikking met grote taalmodellen), en noemt factor graphs en lineaire-keten CRF's (conditionele willekeurige velden) als meer algemene formuleringen. Het merkt ook op dat echte betekenissen mogelijk niet in discrete toestanden passen, dus semantische embeddings en LLM-reranking kunnen worden gebruikt, en het suggereert richtingen om de illustratie om te zetten in onderzoek naar AI-ondersteunde Tarotpraktijk.