Priča o Markovljevim lancima počinje ne sa računarima ili veštačkom inteligencijom, već sa ruskim matematičarem i jednom knjigom poezije. To je priča koja se provlači kroz matematiku, fiziku i računarske nauke, da bi na kraju preoblikovala način na koji simuliramo neizvesnost, pretražujemo internet i čak gradimo modernu veštačku inteligenciju.
Prateći istorijske prekretnice i tehničke uvide, možemo videti kako je jedna jednostavna ideja — odsustvo pamćenja (memoryless) — izrasla od analize književnog dela u jedan od najmoćnijih alata savremene nauke.
Andrej Markov i rađanje nove teorije verovatnoće
Godine 1906. Andrej Markov nastojao je da ospori jedno od dominantnih uverenja svog vremena: da teorija verovatnoće može da opisuje samo nezavisne događaje. Da bi to dokazao, okrenuo se književnosti i analizirao nizove samoglasnika i suglasnika u Puškinovom delu „Jevgenije Onjegin“. Ono što je otkrio bilo je duboko značajno: čak i kada slova zavise jedno od drugog, ukupno statističko ponašanje i dalje može biti strogo opisano.
On je to formalizovao kroz ono što je kasnije postalo poznato kao Markovljevo svojstvo — ideja da budućnost zavisi samo od sadašnjosti, a ne od prošlosti. Tako je rođen Markovljev lanac.
Matematički okvir koji je Markov izgradio omogućio je naučnicima da modeluju sisteme u kojima su događaji međusobno zavisni, ali ipak vođeni verovatnoćama. Na primer, u jednostavnom modelu vremena, sunčan dan može imati 80% šanse da ostane sunčan, 10% šanse da postane oblačan i 10% šanse da postane kišovit.
Oblačan dan može imati verovatnoću od 20% da ostane oblačan, 40% da postane sunčan i 40% da pređe u kišovit. Slično tome, kišovit dan može prelaziti sa verovatnoćama od 40% da ostane kišovit, 20% da se razvedri u sunčan i 40% da pređe u oblačan.
Ovakve tranzicije iz stanja u stanje pokazuju kako Markovljevi lanci predviđaju budućnost oslanjajući se isključivo na trenutno stanje. Vremenom je to otvorilo vrata primenama daleko izvan poezije i meteorologije.
Slučajne šetnje i temelji simulacija
Markovljev rad postavio je temelje za modelovanje slučajnih šetnji (random walks), u kojima se objekti kreću korak po korak prema verovatnosnim pravilima. Početkom 20. veka slučajne šetnje postale su ključne za razumevanje pojava u fizici, kao što je kretanje molekula u tečnostima (Braunovo kretanje).
Ovaj pomak bio je od presudnog značaja jer je pokazao da verovatnoća može opisivati fizičke sisteme u pokretu, a ne samo apstraktne ideje.
Do sredine veka ovaj koncept se spojio sa rastućom snagom računara. Naučnici su shvatili da simuliranjem velikog broja slučajnih šetnji — lanaca verovatnosnih koraka — mogu približno rešavati složene probleme koji su inače bili nerešivi. Taj uvid doveo je do nastanka Monte Karlo metode, nazvane po čuvenom kazinu u Monaku, gde slučajnost određuje ishode.
Monte Karlo simulacije koristile su Markovljeve lance kao svoje jezgro, neprestano generišući slučajna stanja kako bi aproksimirale procese iz stvarnog sveta, poput nuklearnih reakcija, vremenskih obrazaca i naprezanja materijala.
Od Monte Karla do svetske mreže
Dok su Monte Karlo metode postale neizostavan alat u fizici i inženjerstvu, moć Markovljevih lanaca tu nije stala. Krajem devedesetih godina dvadesetog veka, dvojica studenata doktorskih studija na Stanfordu — Lari Pejdž i Sergej Brin — primenili su ovu ideju na potpuno novu oblast: internet.
Njihova inovacija, Google PageRank, modeluje veb kao ogroman Markovljev lanac. Svaka internet stranica predstavlja stanje, a svaki hiperlink verovatnosni prelaz. Izračunavanjem stacionarne raspodele — dugoročne verovatnoće da se korisnik nađe na određenoj stranici — mogli su da rangiraju značaj veb-sajtova.
Ovaj pristup je transformisao pretraživače i učinio Google dominantnom kapijom ka internetu.
Skok ka veštačkoj inteligenciji
Priča o Markovljevim lancima nije se završila pretraživanjem interneta. Njihov uticaj proširio se na mašinsko učenje i veštačku inteligenciju.
Tokom 20. veka, skriveni Markovljevi modeli (Hidden Markov Models – HMM) postali su temeljni u oblastima kao što su prepoznavanje govora i obrada prirodnog jezika, gde su uočljivi ishodi (poput izgovorenih zvukova) povezani sa skrivenim stanjima (kao što su nameravane reči).
Tehnički posmatrano, Markovljevi lanci predviđaju buduće stanje isključivo na osnovu trenutnog stanja, dok Bajesove metode naglašavaju uključivanje prethodne istorije i ažuriranje uverenja na osnovu novih dokaza. Zajedno, oni predstavljaju komplementarne perspektive: Markov obezbeđuje dinamiku bez pamćenja, dok Bajes obezbeđuje istorijsko vrednovanje dokaza.
Kasnije su tehnike Markovljevih lanaca Monte Karlo (Markov Chain Monte Carlo – MCMC) povezale ove ideje, koristeći lance slučajnih stanja za aproksimaciju Bajesovih posteriornih raspodela.
Na taj način Monte Karlo simulacija dopunjuje oba pristupa — omogućavajući sistemima veštačke inteligencije da kombinuju Markovljevo predviđanje korak po korak sa Bajesovim učenjem, kao i da uzorkuju iz složenih raspodela koje bi inače bile praktično nerešive.
Od klasične verovatnoće do moderne veštačke inteligencije
Pravi iskorak ka modernoj veštačkoj inteligenciji dogodio se sa usponom neuronskih mreža, koje su prevazišle klasične verovatnosne okvire i prešle na modele sposobne da direktno uče obrasce iz ogromnih količina podataka.
Iako neuronske mreže mogu delovati neprozirno u poređenju sa interpretabilnim Markovljevim ili Bajesovim sistemima, njihovo kombinovanje stvara izuzetno moćne hibride. Rekurentne neuronske mreže i Transformeri generalizuju Markovljevu ideju kako bi obuhvatili dugoročno pamćenje, dok Bajesove neuronske mreže dodaju mogućnost procene neizvesnosti.
Kada se povežu sa Monte Karlo metodama u okviru potkrepljujućeg učenja (reinforcement learning) — kao što je čuveno učinio AlphaGo — ovi modeli proširuju domet klasične teorije verovatnoće na oblasti koje su nekada smatrane nedostižnim.
Tako je ideja nastala analizom slova u jednoj pesničkoj knjizi prerasla u temelj tehnologija koje danas oblikuju nauku, internet i savremenu veštačku inteligenciju.
