O Que Tarot, Viterbi e LLMs Têm em Comum: Como um Algoritmo Escolhe um Significado Entre Muitos
O artigo apresenta um modelo de ensino que interpreta uma sequência de cartas de tarot como uma busca pelo caminho significativo mais coerente, traçando uma analogia com algoritmos como Viterbi e busca em feixe usados em reconhecimento de fala, tradução automática e modelos de linguagem. O modelo trata cada carta como uma função que mapeia contexto e significado nativo para um espaço de interpretações, e então encontra o melhor caminho global. Ele contrasta seleção gulosa, Viterbi, busca em feixe e outros métodos, e discute extensões usando grafos de fatores, CRFs, embeddings semânticos e reclassificação por LLMs.
O artigo no Habr explora como a interpretação de cartas de Tarô pode ser modelada como a seleção do caminho de significado coerente mais adequado entre múltiplos candidatos, análogo a algoritmos como Viterbi e busca em feixe. O autor parte da ideia de que uma carta atua como uma função de mapeamento do contexto e do significado nativo para um conjunto de interpretações possíveis, mas argumenta que a unidade de busca deve ser um caminho semântico completo, não uma interpretação única. Um exemplo concreto com cinco estados (Estagnação, Repensar, Recursos, Ação, Transição) e três cartas (Enforcado, Mago, Carruagem) mostra que uma abordagem gananciosa escolhe um caminho subótimo comparado ao ótimo global do Viterbi. O modelo formal é uma cadeia de Markov não homogênea condicional, onde a decodificação de Viterbi encontra o caminho máximo exato em tempo O(n*S^2). No entanto, quando a pontuação depende de todo o histórico ou de texto livre, a subestrutura ótima é perdida, e a busca em feixe é usada como método aproximado, com busca em feixe diversificada também discutida. O artigo compara Viterbi, busca em feixe, feixe diversificado, A*, MCTS e reordenação por LLM, e menciona grafos de fatores e campos aleatórios condicionais lineares como formulações mais gerais. Também observa que os significados reais podem não se ajustar a estados discretos, então vetores de incorporação semântica e reordenação por LLM podem ser usados, e sugere direções para transformar a ilustração em pesquisa sobre a prática de Tarô com suporte de IA.
Fonte: Habr — хаб NLP —
original