Hahmontunnistus on säännönmukaisuuksien, rakenteiden tai toistuvien piirteiden automaattista tunnistamista datasta, kuten kuvista, äänistä, teksteistä tai mittauksista. Järjestelmät luokittelevat uusia havaintoja tunnettuihin luokkiin tai löytävät ryhmiä ilman ennalta määriteltyjä luokkia. Sovelluksia ovat kasvojentunnistus, käsinkirjoituksen tunnistus, valmistuksen laaduntarkastus ja epätavallisten tapahtumien havaitseminen. Ala on koneoppimisen tärkeä perusta.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoKoneoppiminen on tekoälyn haara, jossa tietokoneet johtavat kuvioita datasta sen sijaan, että jokainen sääntö ohjelmoitaisiin erikseen. Tehtävästä riippuen mallit oppivat merkityistä esimerkeistä (ohjattu oppiminen), merkitsemättömästä datasta (ohjaamaton oppiminen) tai palkkioiden kautta (vahvistusoppiminen). Sovelluksia ovat roskapostisuodattimista ja kysyntäennusteista tuotesuosituksiin. Laatu riippuu vahvasti koulutusdatan määrästä ja laadusta.
Kuvantunnistus on konenäön osa-alue, jossa ohjelmisto tunnistaa, mitä kuvassa on – esineitä, ihmisiä, tekstiä, logoja tai näkymiä. Se perustuu yleensä neuroverkkoihin, jotka on koulutettu suurella määrällä merkittyjä kuvia. Sovellukset vaihtelevat valmistuksen laadunvalvonnasta ja tuotekuvien lajittelusta lääketieteellisen kuvantamisen tukemiseen. Ihmisistä otettujen kuvien kohdalla tietosuoja ja mahdolliset vinoumat vaativat erityistä huomiota.
Luokittelija on malli tai menetelmä, joka osoittaa syötteet johonkin useista ennalta määritellyistä luokista. Klassiset muunnelmat, kuten päätöspuut tai naiivi Bayes, koulutetaan merkityillä esimerkeillä; kielimallit voivat myös lajitella tekstejä luokkien kuvauksen perusteella. Tyypillisiä käyttötarkoituksia ovat roskapostin tunnistus, asiakaskyselyiden lajittelu aiheen mukaan ja kuittien luokittelu. Laatua mitataan mittareilla, kuten osuvuudella, tarkkuudella ja saannilla.
Klusterointi on ohjaamattoman oppimisen menetelmä, joka jakaa datapisteet ryhmiin niiden samankaltaisuuden perusteella ilman ennalta määriteltyjä kategorioita. Se paljastaa kaavoja, joita kukaan ei ole aiemmin nimennyt – esimerkiksi asiakassegmenttejä, joilla on samankaltainen ostokäyttäytyminen. Tekstien kohdalla klusterointi auttaa lajittelemaan satoja asiakkaiden yhteydenottoja aiheisiin, kuten toimitukseen, laskutukseen tai reklamaatioihin, ja näyttää, mihin painopiste asettuu.
