Visione artificiale
IA che comprende le immagini: rilevamento di oggetti, riconoscimento facciale, OCR, auto a guida autonoma.
Per un decennio è stata guidata dall'architettura CNN (2012, AlexNet); oggi i grandi modelli usano i transformer anche per le immagini (ViT, CLIP). I modelli multimodali combinano immagini e testo.