Ett associativt minne hämtar lagrad information utifrån dess innehåll i stället för en adress: en ofullständig eller brusig ledtråd räcker för att återkalla helheten – ungefär som när de första takterna får en att minnas en hel låt. Hopfieldnätverk är ett klassiskt exempel inom AI-forskningen. Principen förekommer även i hårdvara (innehållsadresserbart minne) och i analyser av uppmärksamhetsmekanismen i moderna språkmodeller.
Artificiella neurala nätverk (ANN) är beräkningsmodeller som består av många sammankopplade enheter (”neuroner”) ordnade i lager som bearbetar indata via viktade förbindelser. Under träningen justeras vikterna steg för steg med hjälp av exempel, vanligtvis genom backpropagation. ANN är grunden för djupinlärning och driver bildigenkänning, taligenkänning och stora språkmodeller. Trots sin biologiska inspiration fungerar de betydligt enklare än den mänskliga hjärnan.
Mönsterigenkänning är den automatiska identifieringen av regelbundenheter, strukturer eller återkommande drag i data som bilder, ljud, texter eller mätvärden. System tilldelar nya observationer till kända kategorier eller upptäcker grupper utan fördefinierade etiketter. Tillämpningar är bland annat ansiktsigenkänning, handskriftsigenkänning, kvalitetskontroll i tillverkning och upptäckt av ovanliga transaktioner. Disciplinen är en viktig grund för maskininlärning.
Cognitive computing är ett paraplybegrepp för system som ska efterlikna mänskliga tankeprocesser som att förstå språk, resonera och lära av erfarenhet för att stödja människors beslut. Begreppet blev allmänt känt på 2010-talet, främst genom IBM Watson. Det kombinerar metoder som språkteknologi, maskininlärning och kunskapsrepresentation; i dag talar man oftare om AI-assistenter eller språkmodeller i stället.
