Örüntü tanıma, verideki düzenlilikleri otomatik olarak bulan ve bu düzenliliklere göre yeni gözlemleri sınıflandıran çalışma alanıdır. Makine öğrenimiyle sınırları bulanık. Kabaca söylenirse makine öğrenimi öğrenme yöntemlerine, örüntü tanıma ise tanınacak yapının kendisine odaklanıyor.
Süreç genelde üç adımda yürüyor. Ham veriden ayırt edici özellikler çıkarılıyor, bu özellikler bir modelde temsil ediliyor ve yeni gözlem bu temsile göre bir sınıfa atanıyor. Klasik yaklaşımlarda özellikleri insan tasarlıyordu. Derin öğrenmeyle birlikte bu adım da modele devredildi, ağ hangi özelliklerin ayırt edici olduğunu kendi öğreniyor.
Uygulama alanı geniş. El yazısı okuma, yüz tanıma, parmak izi eşleştirme, konuşma tanıma, tıbbi görüntüde anormallik tespiti, kredi kartı işlemlerinde olağandışı davranış ve üretim hattında kusur kontrolü hep bu başlık altında.
Somut bir örnek: bir bankada kart işlemlerinde normal davranış örüntüsü öğreniliyor. Bir müşteri genelde aynı şehirde ve benzer tutarlarda harcama yapıyorsa, gece yarısı başka bir ülkeden gelen yüksek tutarlı işlem bu örüntünün dışına düşüyor ve inceleme kuyruğuna alınıyor.
Sistemin doğruluğu kadar hata dengesi de önemli. Eşik sıkı tutulduğunda gerçek işlemler bloke oluyor, gevşek tutulduğunda dolandırıcılık geçiyor. Bu denge iş tarafındaki maliyete göre ayarlanıyor.