Oblasti využití

Strojové učení

Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy, které umožňují počítačovému systému 'učit se'. Učením v daném kontextu rozumíme takovou změnu vnitřního stavu systému, která zefektivní schopnost přizpůsobení se změnám okolního prostředí. Strojové učení má široké uplatnění. Jeho techniky se využívají pro rozpoznávání a kompresi obrazů či akustických (např. rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. V lékařství slouží k diagnostice onemocnění a v řízení pro podporu rozhodování.

Neuronové sítě

Umělé neuronové sítě v umělé inteligenci jsou volně inspirovány odpovídajícími biologickými strukturami. Oproti nim jsou však značně zjednodušeny a používají jiné mechanismy učení, než jaké používá např. lidský mozek. Cílem totiž není věrně simulovat biologické struktury, ale především řešit praktické problémy. Neuronové sítě se používají mimo jiné pro rozpoznávání a kompresi obrazů či akustických (např. rozpoznávání řeči) nebo elektrických (např. EKG, EEG) signálů, klasifikaci či segmentaci dat, předvídání vývoje časových řad (např. burzovních indexů), k rozpoznávání psaného textu či k filtrování spamu. Tvorbou biologicky věrných modelů neuronů a neuronových sítí se zabývají výpočetní neurovědy, prohlubující znalosti o fungování informačních systémů (nervových soustav) živých organismů. Například Grossbergova neuronová síť vznikla původně jako simulace fyziologického modelu rozpoznávání vzorů na sítnici lidského oka.

Bayesovské sítě

Bayesovská síť je pravděpodobnostní model, který využívá grafovou reprezentaci pro zobrazení pravděpodobnostních vztahů mezi jednotlivými jevy. Využívá se pro určení pravděpodobnosti určitých jevů, přičemž vychází ze základu teorie pravděpodobnosti. Bayesovská síť je acyklický orientovaný graf, kde každý uzel odpovídá jedné náhodné veličině, přičemž každý graf typicky obsahuje několik veličin/uzlů. Všechny veličiny v grafu se vztahují k neznámému jevu, přičemž každá veličina je reprezentována jedním uzlem a větve (neboli vztahy) mezi uzly zobrazují pravděpodobnostní závislost mezi vybranými veličinami. Tyto závislosti se obvykle vypočítávají na základě statistických metod.

Dobývání znalostí

Data mining (dolování z dat či vytěžování dat) je analytická metodologie získávání netriviálních skrytých a potenciálně užitečných informací z dat. Někdy se chápe jako analytická součást dobývání znalostí z databází (Knowledge Discovery in Databases, KDD), jindy se tato dvě označení chápou jako souznačná. Často dochází také k překryvu s termínem data science, který bývá obvykle chápán šířeji než data mining. Data mining se používá v komerční sféře (například v marketingu při rozhodování, které klienty oslovit dopisem s nabídkou produktu), ve vědeckém výzkumu (například při analýze genetické informace) i v jiných oblastech (například při monitorování aktivit na internetu s cílem odhalit činnost potenciálních škůdců a teroristů).

Nakupování online a reklama

Umělá inteligence je široce využívána k poskytování personalizovaných doporučení, například na základě našich předchozích vyhledávání nebo nákupů na internetu. AI se využívá k optimalizaci produktů, plánování zásob, v logistice atd.

Chytré domácnosti, města a infrastruktura

Inteligentní termostaty se učí z našeho chování šetřit energii. Vývojáři chytrých měst zase doufají, že díky umělé inteligenci budou schopní regulovat provoz, aby omezili dopravní zácpy.

Více informací najdete na Wikipedii a na stránkách Evpropského parlamentu.