Een hidden Markov model (HMM) is een statistisch model voor reeksen waarin de werkelijke toestanden verborgen zijn en alleen kunnen worden afgeleid uit waarneembare signalen. Het beschrijft de kans dat de ene toestand op de andere volgt en dat elke toestand een bepaalde waarneming oplevert. HMM’s waren lange tijd de standaard in spraakherkenning en woordsoorttagging; tegenwoordig worden ze nog gebruikt in bijvoorbeeld de bio-informatica en tijdreeksanalyse.
Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.
Demo startenSequentiemodellering omvat methoden die gegevens in een vaste volgorde verwerken en voorspellen, waarbij de positie van elk element ertoe doet. Typische reeksen zijn tekst, gesproken taal, tijdreeksen zoals omzet of sensormetingen, en DNA-segmenten. De toepassingen lopen uiteen van vertaling en tekstgeneratie tot spraakherkenning en omzetprognoses. Hiervoor werden verborgen Markovmodellen en recurrente netwerken gebruikt; tegenwoordig domineren transformermodellen voor taal.
Woordsoortlabeling wijst elk woord in een zin automatisch zijn grammaticale categorie toe, zoals zelfstandig naamwoord, werkwoord, bijvoeglijk naamwoord of voorzetsel. Omdat veel woorden meerduidig zijn (“lang” als bijvoeglijk naamwoord of als bijwoord, “zoek” als werkwoordsvorm of als zelfstandig naamwoord), houden de methoden rekening met de zinscontext. POS-tagging is een klassieke voorbewerkingsstap voor ontleden, informatie-extractie of spellingcontrole en wordt aangeboden door bibliotheken als spaCy en NLTK.
Een recurrent neuraal netwerk verwerkt gegevens in volgorde en geeft een interne toestand van elke stap door aan de volgende – een soort kortetermijngeheugen. Daardoor is het geschikt voor reeksen zoals tekst, spraak of tijdreeksen, bijvoorbeeld om het volgende woord of de volgende sensormeting te voorspellen. Eenvoudige RNN’s vergeten gemakkelijk informatie van ver terug; varianten als LSTM en GRU verzachten dat. Voor taalmodellen zijn RNN’s grotendeels verdrongen door transformers.
Spraakherkenning, ook ASR (automatic speech recognition) genoemd, zet gesproken taal automatisch om in geschreven tekst. Moderne systemen gebruiken neurale netwerken die zijn getraind op grote hoeveelheden audio-opnamen en gaan redelijk goed om met accenten en achtergrondgeluid. Toepassingen zijn onder meer dicteren, ondertitels, spraakassistenten en het transcriberen van vergaderingen en klantgesprekken. Vaktermen, eigennamen en slechte geluidskwaliteit blijven veelvoorkomende bronnen van fouten.
