Model – wynik procesu uczenia algorytmu na danych.

Model w kontekście sztucznej inteligencji jest efektem procesu uczenia się algorytmu na podstawie dostarczonych danych. Stanowi on matematyczną reprezentację wzorców oraz zależności zawartych w zbiorze treningowym, dzięki czemu może przewidywać lub klasyfikować nowe, niewidziane wcześniej dane. Model zawiera zestaw parametrów i reguł, które zostały wyekstrahowane podczas trenowania, umożliwiając podejmowanie decyzji w oparciu o wzorce rozpoznane w danych wejściowych.

Proces uczenia prowadzi do optymalizacji tych parametrów w taki sposób, aby minimalizować różnicę między przewidywaniami modelu a rzeczywistymi wynikami zawartymi w danych uczących. Efektywność modelu jest zazwyczaj oceniana przez testowanie na osobnych zestawach danych w celu sprawdzenia jego zdolności do generalizacji, czyli właściwego działania na danych spoza zbioru treningowego. W zależności od zastosowanej metody uczenia i rodzaju danych, modele mogą mieć różną strukturę, np. sieci neuronowe, drzewa decyzyjne czy modele probabilistyczne.

Dzięki modelom możliwe jest automatyczne podejmowanie decyzji, prognozowanie lub klasyfikacja informacji w różnorodnych dziedzinach, takich jak rozpoznawanie obrazów, przetwarzanie języka naturalnego czy systemy rekomendacyjne. Stanowią one podstawę działania systemów sztucznej inteligencji, umożliwiając adaptację do zmieniających się warunków i doskonalenie ich działania w miarę akumulacji nowych danych.