En associativ hukommelse henter lagrede oplysninger ud fra deres indhold i stedet for en adresse: Et delvist eller støjfyldt signal er nok til at genkalde det tilsvarende hele – ligesom de første takter kan bringe en hel sang tilbage. Hopfield-netværk er et klassisk eksempel i AI-forskningen. Princippet findes også i hardware (indholdsadresserbar hukommelse) og i analyser af attention-mekanismen i moderne sprogmodeller.
Kunstige neurale netværk (ANN'er) er beregningsmodeller bestående af mange forbundne enheder (»neuroner«) arrangeret i lag, som behandler input via vægtede forbindelser. Under træning justeres vægtene trin for trin ud fra eksempler, som regel ved backpropagation. ANN'er er fundamentet for deep learning og driver billedgenkendelse, talegenkendelse og store sprogmodeller. På trods af den biologiske inspiration fungerer de langt mere enkelt end den menneskelige hjerne.
Mønstergenkendelse er den automatiske identifikation af regelmæssigheder, strukturer eller tilbagevendende træk i data som billeder, lyde, tekster eller målinger. Systemer placerer nye observationer i kendte kategorier eller finder grupper uden foruddefinerede labels. Anvendelser omfatter ansigtsgenkendelse, håndskriftgenkendelse, kvalitetskontrol i produktionen og opsporing af usædvanlige transaktioner. Disciplinen er et vigtigt fundament for machine learning.
Kognitiv databehandling (cognitive computing) er en samlebetegnelse for systemer, der skal efterligne menneskelige tankeprocesser som sprogforståelse, ræsonnement og læring af erfaring for at støtte menneskers beslutninger. Begrebet blev kendt i 2010'erne, især gennem IBM Watson. Det kombinerer metoder som naturlig sprogbehandling, maskinlæring og videnrepræsentation; i dag taler man oftere om AI-assistenter eller sprogmodeller i stedet.
