Stochastyczność – element losowości w działaniu modelu.

Stochastyczność odnosi się do obecności elementu losowości lub przypadkowości w działaniu modelu czy procesu. W kontekście sztucznej inteligencji i uczenia maszynowego oznacza to, że wynik działania modelu nie jest całkowicie deterministyczny, lecz może się różnić przy kolejnych uruchomieniach, nawet przy tych samych danych wejściowych. Taka losowość może wynikać z zastosowania losowych inicjalizacji parametrów, losowych próbek danych podczas treningu lub wprowadzenia technik losowych, takich jak dropout czy metody optymalizacji oparte na stochastic gradient descent.

Stochastyczność pełni istotną rolę w przeciwdziałaniu przeuczeniu modelu (overfittingowi), poprawiając jego zdolność do generalizacji i radzenia sobie z nieprzewidywalnymi lub zmiennymi danymi. Pozwala również na eksplorację przestrzeni rozwiązań, co bywa kluczowe w wielu algorytmach optymalizacyjnych i probabilistycznych metodach uczenia. Z drugiej strony, wprowadza pewną nieprzewidywalność w wyniki, co wymaga odpowiedniego projektowania eksperymentów i interpretacji uzyskiwanych rezultatów.