Pamięć asocjacyjna odtwarza zapisane informacje na podstawie ich treści, a nie adresu: wystarczy fragmentaryczna lub zaszumiona wskazówka, aby przywołać pasującą całość – podobnie jak pierwsze takty przywołują w pamięci cały utwór. Klasycznym przykładem w badaniach nad AI są sieci Hopfielda. Zasada ta występuje również w sprzęcie (pamięć adresowana zawartością) oraz w analizach mechanizmu uwagi we współczesnych modelach językowych.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoSztuczne sieci neuronowe (ANN) to modele obliczeniowe złożone z wielu połączonych jednostek („neuronów”) ułożonych w warstwy, które przetwarzają dane wejściowe przez ważone połączenia. Podczas trenowania wagi są stopniowo dostosowywane na podstawie przykładów, zwykle metodą propagacji wstecznej. ANN są podstawą uczenia głębokiego i napędzają rozpoznawanie obrazów, rozpoznawanie mowy oraz duże modele językowe. Mimo biologicznej inspiracji działają znacznie prościej niż ludzki mózg.
Rozpoznawanie wzorców to automatyczne identyfikowanie prawidłowości, struktur lub powtarzających się cech w danych, takich jak obrazy, dźwięki, teksty lub pomiary. Systemy przypisują nowe obserwacje do znanych kategorii albo odkrywają grupy bez z góry zdefiniowanych etykiet. Zastosowania obejmują rozpoznawanie twarzy, rozpoznawanie pisma ręcznego, kontrolę jakości w produkcji i wykrywanie nietypowych transakcji. Ta dziedzina jest ważną podstawą uczenia maszynowego.
Przetwarzanie kognitywne (cognitive computing) to pojęcie zbiorcze dla systemów, które mają naśladować ludzkie procesy myślowe, takie jak rozumienie języka, wnioskowanie i uczenie się z doświadczenia, aby wspierać decyzje ludzi. Pojęcie to upowszechniło się w latach 2010, głównie dzięki IBM Watson. Łączy metody takie jak przetwarzanie języka naturalnego, uczenie maszynowe i reprezentacja wiedzy; dziś częściej mówi się raczej o asystentach AI lub modelach językowych.
