Штучний інтелект - один з найперспективніших напрямків комп'ютерних наук, який вивчає методи розв'язання задач, для яких не існує способів вирішення. Системи штучного інтелекту можуть оперувати даними та самонавчатися. Сфери застосування таких систем є необмеженими - від створення роботів, які самостійно приймають рішення, до машин з автопілотом чи онлайн-перекладачі в реальному часі.  

Роботи-гуманоїди, коптери, які діють самостійно, аналізуючи інформацію про оточуюче середовище за допомогою датчиків (рух, звук, світло, тиск тощо) та приймають рішення на основі отриманих даних. Однією з можливостей роботів є комп’ютерний зір – технології штучного інтелекту для збирання,опрацювання та аналізу відео-інформації в режимі реального часу. Усе це вимагає розроблення алгоритмів для автоматичного візуального сприйняття, коректного переміщення в просторі, навчання на помилках, виконання дій, направлених на досягнення мети. Приклад – безпілотний автомобіль, який програмується для досягнення точки призначення, може паркуватись, рухатись в потоці машин, коректно визначати найкоротший маршрут.

Написання ботів, чат-ботів, ігор зі стратегією, де комп’ютер має змогу прорахувати велику кількість можливих варіантів ведення гри та обрати найкращі. Евристичні алгоритми ігрового штучного інтелекту використовуються в широкій розмаїтості в багатьох галузях усередині гри. Найочевидніше застосування ігрового ШІ проявляється в контролюванні неігрових персонажів, хоча скриптинг теж є дуже розповсюдженим способом контролю. Пошук шляху є іншим широко розповсюдженим застосуванням ігрового ШІ, — він особливо проявляється в стратегіях реального часу. Пошук шляху є методом для визначення того, як неігровому персонажеві перейти з однієї точки на мапі до іншої: потрібно враховувати ландшафт, перешкоди й, можливо, «туман війни». Ігровий ШІ також пов'язаний із динамічним ігровим балансуванням.

Веб-аналіз даних користувачів соціальних мереж для визначення потреб та інтересів, що в подальшому може використовуватись для просування реклами, призначеної для вузької спеціалізованої групи користувачів в таргетованих продуків. Генерування на основі зібраних даних підбірок фільмів, продуктів тощо за інтересами користувача. Розроблення алгоритмів аналізу текстів, дописів у соціальних мережах та визначення, чи правдива інформація, зазначена у профілі; розроблення програмних засобів аналізу фото, відео користувача та визначення його емоцій. Такі дані можна використовувати в боротьбі з тероризмом, пошуком злочинців тощо.

Основні сфери застосування цих систем пов'язані з підтримкою прийняття управлінських рішень у таких напрямках бізнесу, як кредитування й оцінка ризиків, маркетинговий аналіз, прогнозування фінансових ринків, моделювання функціональних складових менеджменту (фінанси, виробництво, людські ресурси), розв'язання прикладних соціологічних задач (моделі формування і зміни рейтингів політиків), управління бюджетними ресурсами і економічне моделювання, виявлення незаконного використання кредитних карток. Наприклад, в банківській сфері прийняття рішень стосовно надання кредиту може прийматися комп'ютеризовано на основі обробки даних клієнтів. 

Застосування штучного інтелекту для розпізнаванні образів дозволить створювати практично працюючі системи ідентифікації графічних об'єктів на основі аналогічних ознак. В якості ознак можуть розглядатися будь-які характеристики об'єктів, що підлягають розпізнаванню. Ознаки повинні бути інваріантні до орієнтації, розміру та форми об'єктів. Однією з задачею СШІ є сегментація об’єктів на зображеннях та  визначення людей з потоку. Прикладом штучного інтелекту також є звуковий набір та рукописний текст в мобільних телефонах також визначення розташування будинку, зазнятого на камеру мобільного телефону (он-лайн гід) та промальовування його внутрішньої структури в 3D.

Нейронні мережі отримали велику популярність у практичному використанні при вирішенні суто практичних проблем саме завдяки тому, що вони звільняють дослідника від занурення в тонкощі фізичного процесу і необхідності створення складної фізичної моделі. Необхідно лише знати і розуміти, які фактори впливають на процес, що прогнозується і мати певну кількість фактичних даних щодо поведінки системи при різних ситуаціях, що створились раніше. Чим більше база таких даних, тим краще можна натренувати мережу і підсилити її здібність прогнозувати поведінку системи у нових умовах, чи наборі вхідних факторів. Наприклад, можна прогнозувати  попит на електроенергію на основі погоднх умов і даних попередніх років з метою зниження витрат на її виробництво.  

Допомога лікарям в діагостуванні захворювання на основі сигналів і медичних зображень та попередніх даних пацієнтів. Використання комп’ютерів з ШІ у медицині значно прискорить процес обстеження та поставлення діагнозу. Використовуючи розпізнавання голосу, такі системи шукатимуть симптоми в медичних базах даних. Людині-лікарю залишається підтвердити діагноз та в разі необхідності провести додаткове обстеження.