Konwolucyjna sieć neuronowa (CNN) to architektura sieci neuronowej szczególnie dobrze przystosowana do danych obrazowych. Skanuje dane wejściowe za pomocą małych filtrów, wykrywając w pierwszych warstwach proste cechy, takie jak krawędzie, a w głębszych – bardziej złożone kształty. Sieci CNN przez wiele lat kształtowały rozpoznawanie obrazów i są wykorzystywane na przykład do wykrywania wad na zdjęciach produktów lub w analizie obrazów medycznych.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoUczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.
Widzenie komputerowe (computer vision) to dziedzina AI, w której komputery interpretują obrazy i nagrania wideo. Typowe zadania obejmują wykrywanie i lokalizowanie obiektów, odczytywanie tekstu na obrazach oraz pomiary komponentów. Technologię tę wykorzystuje się na przykład w kontroli jakości w produkcji, w systemach wspomagania kierowcy, w logistyce i w diagnostyce obrazowej w medycynie.
Rozpoznawanie obrazów to dziedzina widzenia komputerowego, w której oprogramowanie identyfikuje, co przedstawia obraz – obiekty, osoby, tekst, logotypy lub sceny. Zazwyczaj opiera się na sieciach neuronowych wytrenowanych na dużej liczbie oznaczonych obrazów. Zastosowania obejmują kontrolę jakości w produkcji, sortowanie zdjęć produktów i wspomaganie diagnostyki obrazowej w medycynie. W przypadku zdjęć osób szczególnej uwagi wymagają ochrona danych i możliwa stronniczość.
Sztuczne 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.
