우리가 세상에서 마주하는 대부분의 데이터는 결과물(관측값)일 뿐, 그 데이터를 만들어낸 진짜 원인(은닉 상태)은 숨겨져 있다. HMM은 이 ‘결과’의 연쇄를 보고 배후에 흐르는 ‘원인’의 서사를 복원한다. 이는 마치 2799년의 기후학자가 제이슨 에이즈너가 먹은 아이스크림 개수만을 보고 2020년의 날씨를 추측하는 ‘에이즈너 작업(Eisner task)‘과 같다.
근거
HMM의 핵심은 우리가 관심을 갖는 대상이 직접 관찰되지 않는 ‘은닉(Hidden)’ 상태라는 점에 있다. 모델은 관측 데이터 뒤에 숨겨진 인과적 요인을 가정하고, 그 요인들 사이의 전이 확률과 각 요인이 결과를 발생시키는 방출 확률을 결합하여 가설을 세운다.
“Imagine that you are a climatologist in the year 2799 studying the history of global warming. You cannot find any records of the weather… but you do find Jason Eisner’s diary, which lists how many ice creams Jason ate every day.”
연결된 생각
- 20260609-hidden-markov-model — 기반이 되는 수학적 모델.
- 20260610-non-verifiable-data-domain — 검증 불가능한 영역에서 논리적 인과를 세우는 작업과 일맥상통한다.
- interpretation-over-observation — 단순한 데이터 기록보다 해석의 프레임워크가 중요한 이유.