Asociatīvā atmiņa izgūst saglabāto informāciju pēc tās satura, nevis pēc adreses: pietiek ar daļēju vai trokšņainu norādi, lai atsauktu atmiņā atbilstošo veselumu – līdzīgi kā pirmie takti atsauc atmiņā visu dziesmu. Klasisks piemērs MI pētniecībā ir Hopfīlda tīkli. Šis princips sastopams arī aparatūrā (pēc satura adresējama atmiņa) un mūsdienu valodas modeļu uzmanības mehānisma analīzēs.
Mākslīgie neironu tīkli (ANN) ir skaitļošanas modeļi, kas sastāv no daudzām savienotām vienībām („neironiem”), kuras sakārtotas slāņos un apstrādā ievaddatus ar svērtiem savienojumiem. Apmācības laikā svari tiek soli pa solim pielāgoti ar piemēriem, parasti ar atpakaļizplatīšanos (backpropagation). ANN ir dziļās mācīšanās pamats, un uz tiem balstās attēlu atpazīšana, runas atpazīšana un lielie valodas modeļi. Neraugoties uz bioloģisko iedvesmu, tie darbojas daudz vienkāršāk nekā cilvēka smadzenes.
Likumsakarību atpazīšana ir automātiska regularitāšu, struktūru vai atkārtotu pazīmju noteikšana datos, piemēram, attēlos, skaņās, tekstos vai mērījumos. Sistēmas piešķir jaunus novērojumus zināmām kategorijām vai atklāj grupas bez iepriekš definētām etiķetēm. Pielietojumi ir sejas atpazīšana, rokraksta atpazīšana, kvalitātes kontrole ražošanā un neparastu darījumu atklāšana. Šī disciplīna ir svarīgs mašīnmācīšanās pamats.
Kognitīvā skaitļošana ir kopīgs apzīmējums sistēmām, kuru mērķis ir atdarināt cilvēka domāšanas procesus, piemēram, valodas izpratni, spriešanu un mācīšanos no pieredzes, lai atbalstītu cilvēku lēmumus. Termins plaši kļuva zināms 2010. gados, galvenokārt ar IBM Watson starpniecību. Tā apvieno tādas metodes kā dabiskās valodas apstrāde, mašīnmācīšanās un zināšanu reprezentācija; mūsdienās biežāk runā par MI asistentiem vai valodas modeļiem.
