Прича о Марковљевим ланцима почиње не са рачунарима или вештачком интелигенцијом, већ са руским математичарем и једном књигом поезије. То је прича која се провлачи кроз математику, физику и рачунарске науке, да би на крају преобликовала начин на који симулирамо неизвесност, претражујемо интернет и чак градимо модерну вештачку интелигенцију.
Пратећи историјске прекретнице и техничке увиде, можемо видети како је једна једноставна идеја — одсуство памћења (memoryless) — израсла од анализе књижевног дела у један од најмоћнијих алата савремене науке.
Андреј Марков и рађање нове теорије вероватноће
Године 1906. Андреј Марков настојао је да оспори једно од доминантних уверења свог времена: да теорија вероватноће може да описује само независне догађаје. Да би то доказао, окренуо се књижевности и анализирао низове самогласника и сугласника у Пушкиновом делу „Јевгеније Оњегин“. Оно што је открио било је дубоко значајно: чак и када слова зависе једно од другог, укупно статистичко понашање и даље може бити строго описано.
Он је то формализовао кроз оно што је касније постало познато као Марковљево својство — идеја да будућност зависи само од садашњости, а не од прошлости. Тако је рођен Марковљев ланац.
Математички оквир који је Марков изградио омогућио је научницима да моделују системе у којима су догађаји међусобно зависни, али ипак вођени вероватноћама. На пример, у једноставном моделу времена, сунчан дан може имати 80% шансе да остане сунчан, 10% шансе да постане облачан и 10% шансе да постане кишовит.
Облачан дан може имати вероватноћу од 20% да остане облачан, 40% да постане сунчан и 40% да пређе у кишовит. Слично томе, кишовит дан може прелазити са вероватноћама од 40% да остане кишовит, 20% да се разведри у сунчан и 40% да пређе у облачан.
Овакве транзиције из стања у стање показују како Марковљеви ланци предвиђају будућност ослањајући се искључиво на тренутно стање. Временом је то отворило врата применама далеко изван поезије и метеорологије.
Случајне шетње и темељи симулација
Марковљев рад поставио је темеље за моделовање случајних шетњи (random walks), у којима се објекти крећу корак по корак према вероватносним правилима. Почетком 20. века случајне шетње постале су кључне за разумевање појава у физици, као што је кретање молекула у течностима (Брауново кретање).
Овај помак био је од пресудног значаја јер је показао да вероватноћа може описивати физичке системе у покрету, а не само апстрактне идеје.
До средине века овај концепт се спојио са растућом снагом рачунара. Научници су схватили да симулирањем великог броја случајних шетњи — ланаца вероватносних корака — могу приближно решавати сложене проблеме који су иначе били нерешиви. Тај увид довео је до настанка Монте Карло методе, назване по чувеном казину у Монаку, где случајност одређује исходе.
Монте Карло симулације користиле су Марковљеве ланце као своје језгро, непрестано генеришући случајна стања како би апроксимирале процесе из стварног света, попут нуклеарних реакција, временских образаца и напрезања материјала.
Од Монте Карла до светске мреже
Док су Монте Карло методе постале неизоставан алат у физици и инжењерству, моћ Марковљевих ланаца ту није стала. Крајем деведесетих година двадесетог века, двојица студената докторских студија на Станфорду — Лари Пејџ и Сергеј Брин — применили су ову идеју на потпуно нову област: интернет.
Њихова иновација, Google PageRank, моделује веб као огроман Марковљев ланац. Свака интернет страница представља стање, а сваки хиперлинк вероватносни прелаз. Израчунавањем стационарне расподеле — дугорочне вероватноће да се корисник нађе на одређеној страници — могли су да рангирају значај веб-сајтова.
Овај приступ је трансформисао претраживаче и учинио Google доминантном капијом ка интернету.
Скок ка вештачкој интелигенцији
Прича о Марковљевим ланцима није се завршила претраживањем интернета. Њихов утицај проширио се на машинско учење и вештачку интелигенцију.
Током 20. века, скривени Марковљеви модели (Hidden Markov Models – HMM) постали су темељни у областима као што су препознавање говора и обрада природног језика, где су уочљиви исходи (попут изговорених звукова) повезани са скривеним стањима (као што су намераване речи).
Технички посматрано, Марковљеви ланци предвиђају будуће стање искључиво на основу тренутног стања, док Бајесове методе наглашавају укључивање претходне историје и ажурирање уверења на основу нових доказа. Заједно, они представљају комплементарне перспективе: Марков обезбеђује динамику без памћења, док Бајес обезбеђује историјско вредновање доказа.
Касније су технике Марковљевих ланаца Монте Карло (Markov Chain Monte Carlo – MCMC) повезале ове идеје, користећи ланце случајних стања за апроксимацију Бајесових постериорних расподела.
На тај начин Монте Карло симулација допуњује оба приступа — омогућавајући системима вештачке интелигенције да комбинују Марковљево предвиђање корак по корак са Бајесовим учењем, као и да узоркују из сложених расподела које би иначе биле практично нерешиве.
Од класичне вероватноће до модерне вештачке интелигенције
Прави искорак ка модерној вештачкој интелигенцији догодио се са успоном неуронских мрежа, које су превазишле класичне вероватносне оквире и прешле на моделе способне да директно уче обрасце из огромних количина података.
Иако неуронске мреже могу деловати непрозирно у поређењу са интерпретабилним Марковљевим или Бајесовим системима, њихово комбиновање ствара изузетно моћне хибриде. Рекурентне неуронске мреже и Трансформери генерализују Марковљеву идеју како би обухватили дугорочно памћење, док Бајесове неуронске мреже додају могућност процене неизвесности.
Када се повежу са Монте Карло методама у оквиру поткрепљујућег учења (reinforcement learning) — као што је чувено учинио AlphaGo — ови модели проширују домет класичне теорије вероватноће на области које су некада сматране недостижним.
Тако је идеја настала анализом слова у једној песничкој књизи прерасла у темељ технологија које данас обликују науку, интернет и савремену вештачку интелигенцију.
