KI ist eine dehnbare Definition, die lernende Strukturen umfasst, die in der Lage sind Muster zu erkennen und die gelernten Muster anzuwenden, um etwas vorherzusagen oder zu transformieren. Wenn wir über KI sprechen, sprechen wir über neuronale Netzwerke oder Reinforcement-Lern-Systeme, die in der Lage sind, große, komplexe Probleme wie Objekterkennung, Objektklassifizierung oder autonomes Fahren zu bewältigen. Diese Anwendungen werden von neuronalen Netzen mit Millionen von Parametern dominiert.

Daten sind das neue Öl, aber 'KI ist der neue Strom' - Andrew Ng. Künstliche Intelligenz hilft, wertvolles Wissen aus Daten zu gewinnen. Tiefe neuronale Netze erhielten 2011 eine Steigerung der Popularität, als das neuronale Netzwerk AlexNet den ImageNet-Wettbewerb (Erkennung von 1000 Objektklassen in Bildern) mit einer Fehlerquote von 16% löste. Bevor tiefe neuronale Netze diesen Wettbewerb beherrschten, lag die durchschnittliche Fehlerquote bei weit über 25%. Seitdem ist die Fehlerquote auf weniger als 5% gesunken. Der Erfolg von Deep Neural Networks hängt von der großen Datenmenge ab, die notwendig ist, um die Millionen von Parametern zu trainieren. Da die Datenmenge ständig wächst, wird das Anwendungsspektrum der KI immer größer. Während KI lange Zeit ein Instrument zur Lösung einer einzelnen, sehr spezifischen Aufgabe war, entwickelt sich KI immer mehr zu einem generalisierten Ansatz zur Problemlösung.