Generador de texto con cadenas de Marlov

 

Andrei Andréyevich Markov nació el 14 de junio de 1856 en Riazán, Rusia, y falleció el 20 de julio de 1922 en San Petersburgo. Fue un matemático ruso cuyas contribuciones fundamentales a la teoría de la probabilidad y los procesos estocásticos revolucionaron no solo las matemáticas, sino también campos tan diversos como la física, la biología, la economía y, en tiempos modernos, la inteligencia artificial. 

Su trabajo más trascendental comenzó alrededor de 1906, cuando empezó a desarrollar lo que hoy conocemos como cadenas de Markov. Curiosamente, Markov desarrolló esta teoría en parte como respuesta a un debate filosófico y matemático sobre la independencia de eventos. En aquella época, muchos matemáticos asumían que para aplicar la ley de los grandes números era necesario que los eventos fueran completamente independientes entre sí. Markov demostró que esto no era cierto y que la ley podía aplicarse incluso cuando existía cierta dependencia entre eventos consecutivos.

Para ilustrar su teoría, Markov realizó un análisis pionero del texto literario "Eugenio Oneguin" de Alexander Pushkin, examinando la secuencia de vocales y consonantes. Este fue uno de los primeros ejemplos de análisis estadístico de texto, anticipando aplicaciones que no se desarrollarían plenamente hasta la era computacional, décadas después de su muerte.

Las cadenas de Markov son modelos matemáticos que describen sistemas que transicionan de un estado a otro dentro de un conjunto finito o numerable de estados posibles. La característica fundamental que define una cadena de Markov es la propiedad markoviana o propiedad de ausencia de memoria: la probabilidad de transitar a un estado futuro depende únicamente del estado presente, no de la secuencia de estados que lo precedieron.   

Una cadena de Markov se compone de varios elementos esenciales: estados,  matriz de transición y distribución inicial.    El concepto de orden en una cadena de Markov determina cuántos estados previos se consideran para calcular la probabilidad del siguiente estado. Este es un aspecto crucial que afecta tanto la complejidad del modelo como su capacidad predictiva. Por así decirlo, para calcular el nuevo valor el orden determina cuántos valores anteriores se consideran para realizar el cálculo. Si el orden es 2 se toman solo los términos n-1 y n-2 para calcular el término n. SI el orden es 3 se tomarían los términos n--1, n-2 y n-3, etc.  

La generación de texto mediante cadenas de Markov es una de las aplicaciones más intuitivas y educativas de esta teoría matemática. Aunque hoy existen modelos mucho más sofisticados basados en redes neuronales, las cadenas de Markov proporcionan una introducción a generadores sencillos.  

A pesar de su utilidad educativa, las cadenas de Markov tienen limitaciones significativas: Falta de coherencia: el texto generado "parece" del estilo del original pero sus frases contienen numerosos errores sintácticos y conceptuales. El texto tiene el estilo y el ambiente del original pero es, en muchas ocasiones, inconexo. Para órdenes muy altas, el texto es muy parecido al original y, por tanto, más coherente. Por ejemplo, para un orden 30, tendríamos fragmentos de 30 palabras que ya aparecían en el original seguidas de una palabra nueva, y así sucesivamente. Al cabo, el 96.77% del texto sería repetición del original y por tanto muy coherente. Por el contrario, con un orden 2, sólo el 66% existiría en el original y podría resultar muy inconexo el resultado. Otro déficit es la falta de Memoria a Largo Plazo: Incluso con órdenes altos, no pueden mantener coherencia temática a lo largo de textos extensos.

Este programa ha sido realizado precisamente para que el usuario pueda experimentar con cadenas de Markov para textos que él mismo cargue o que tome de los ejemplos preprogramados. 

El programa original en Flash CS5 se realizó en el año 2010. Ha sido actualizado a HTML5 en el año 2025. En esta versión actualizada algunos componentes han sido parcialmente modificados con software IA.

Esta aplicación puede explorarse desde este enlace.