Under det senaste decenniet har det gjorts betydande framsteg inom en gren av artificiell intelligens (“AI”) som betecknas som maskinlärning. Framstegen kommer som följd av en tillväxt i tillgänglig datorprestanda som drivs av ny design för datorprocessorer som möjliggör parallella beräkningar på en hitintills otänkbar skala. Dessa framsteg har bland annat lett till förbättringar inom maskiners förmåga att känna igen tal, köra bilar och översätta språk. Framstegen har även lett till att en maskinlärningsalgoritm, som tagits fram av Google, slog världsmästaren i spelet Go vilket anses vara mer komplicerat än schack.
Maskinlärning avser en maskins förmåga att anpassa sig till nya omständigheter samt att hitta mönster och extrapolera dessa. Det finns flera olika metoder för att få en maskin att lära sig saker men samtliga metoder baseras på samma grundprincip: genom att analysera en uppsättning av input med fördefinierade output lär sig maskinen en modell för att förutse nya output baserat på nya input. En maskin kan lära sig på olika sätt, genom att klassificera input som rätt eller fel (övervakat lärande), genom att hitta mönster (oövervakat lärande) eller genom att bli belönad eller bestraffad (förstärkningsinlärning).
Verktygen som används inom maskinlärning baseras på matematiska metoder av varierande komplexitet. Den metod som är en av de viktigaste drivkrafterna bakom maskinlärningens extraordinära utveckling under de senaste åren kallas för neuronnät. Neuronnät är statistiska modeller som, utifrån neurovetenskapliga antaganden, försöker att härma de processer som pågår i den mänskliga hjärnan när den lär sig någonting. Modellerna består av enheter som länkas ihop till nätverk som i sin helhet kan användas för att spara information. En enskild enhet kan endast spara relativt enkel information, medan nätverket i sin helhet klarar att spara komplex information. Förmågan att kunna spara komplex information är nyckeln till neuronnätens framgång. Den matematiska teorin bakom neuronnät har varit känt sedan 1940-talet. Däremot har det tidigare inte varit möjlig att genomföra de parallella beräkningar som krävs för praktiska tillämpningar och som ger de användbara resultat som vi kan se idag.