機器學習應用于人工智能領域，賦予計算機系統自動學習（執行任務）的能力。例如，我們可以訓練計算機從成千上萬輛不同顏色的車中識別出藍色的車，或是從一堆新鮮果蔬中挑出變質的部分。

該技術廣泛運用于各個行業，其中包括視頻監控系統、社交媒體平臺的相關功能（含臉部識別以及類似微博的“可能認識的人”等），我們甚至可以訓練電腦識別出郵箱中帶有明顯“垃圾”特征或低質量的郵件內容，并將其過濾。

為此，人們在機器學習和人工智能行業投入了數十億美元的資金。2016年，互聯網數據中心（IDC）發布了一份全球半年度認知/人工智能系統開支指南。該報告預測，由于認知系統和人工智能的廣泛應用，到2020年，全球收入將從2016年的近80億美元上升至470多億美元，相當于高達55%的年增長率。

透過這些驚人的數字，人工智能和機器學習的潛在益處顯而易見。但是將之運用到實際中所需的龐大數據等潛在問題并未具體說明，目前仍然困難重重。

InfoWorld發布的行業數據表明，當前機器學習行業所面臨的“最大挑戰”是缺乏培訓數據。據估計，全球99%的數據還未經過分析，且非結構化數據超過80%，這意味著即使人工智能公司能夠獲取這些數據，他們還得花費大筆資金雇傭工作人員查看和標記數據，分析標記完的數據才能導入計算機，其過程十分耗時費財。IDC報告指出，鑒于人工智能行業發展迅速，價值匪淺，各個企業亟需趁熱打鐵，踴躍加入。

數據（人工制造而非直接獲得或收集的數據）可以解決數據訪問問題，但是為確保人工智能和機器學習模型正確，需要大量的計算能力對計算機進行培訓。例如，DeepMind團隊的分布式AlphaGo之所以能夠戰勝世界圍棋冠軍李世石，是因為它的1202個CPU和176個CPU，該CPU量是單個計算機版本AlphaGo算法的25倍。