不同的神經網絡（NN）經過測試、調整和改進，解決了不同的問題。出現了使用AI優化數據分析的各種方法。今天大部分的AI應用，比如谷歌翻譯和亞馬遜Alexa語音識別和視覺識別系統，還在利用云的力量。通過依賴一直在線的互聯網連接，高帶寬鏈接和網絡服務，物聯網產品和智能手機應用也可以集成AI功能。到目前為止，大部分注意力都集中在基于視覺的人工智能上，一部分原因是它容易出現在新聞報道和視頻中，另一部分原因是它更類似于人類的活動。

在圖像識別中，對一個2D圖像進行分析（一次處理一組像素），通過神經網絡的連續層識別更大的特征點。最開始檢測到的邊緣是具有高差異性的部位。以人臉為例，最早識別的邊緣是在眼睛、鼻子和嘴巴這些特征周邊。隨著檢測過程在神經網絡中的深入，將會檢測到整個面部的特征。

在最后階段，結合特征和位置信息，就能在可用的數據庫中識別到具有最大匹配度的一個特定的人臉。相機拍攝或捕捉的物體，可以通過神經網絡在其數據庫找到具有最高匹配概率的人臉。尤其好的是物體不需要在完全相同的角度或位置，或者是相同的光線條件下進行拍攝。

AI這么快就流行起來，在很大程度上是因為開放的軟件工具（也稱為框架），使得構建和訓練一個神經網絡實現目標應用程序變得容易起來，即使是使用各種不同的編程語言。兩個常見的通用框架是TensorFlow和Caffe。對于已知的識別目標，可以離線定義和訓練一個神經網絡。一旦訓練完成，神經網絡可以很容易地部署到嵌入式平臺上。這是一個聰明的劃分，允許借助PC或云的能力訓練神經網絡，而功耗敏感的嵌入式處理器只需使用訓練好的數據來進行識別。

類人的識別人和物體的能力與流行的應用密切相關，比如工業機器人和自動駕駛汽車。然而，人工智能在音頻領域具備同樣的興趣點和能力。采用和圖像特征分析同樣的方式，可以將音頻分解成特征點來輸入給神經網絡。有一種方法是使用梅爾頻率倒譜系數（MFCC）將音頻分解成有用的特征。最開始音頻樣本被分解成短時間的幀，例如20 ms，然后對信號進行傅里葉變換，使用重疊三角窗將音頻頻譜的功率映射到一個非線性尺度上。

通過提取的特征，神經網絡可以用來確定音頻樣本和音頻樣本數據庫中詞匯或者語音的相似度。和圖像識別一樣，神經網絡為特定詞匯在數據庫中提取了可能的匹配。對于那些想要復制谷歌和亞馬遜的“OK Google”或“Alexa”語音觸發（VT）功能的人來說，KITT.AI通過Snowboy提供了一個解決方案。觸發關鍵詞可以上傳到他們的平臺進行分析，導出一個文件，集成到嵌入式平臺上的Snowboy應用程序中,這樣語音觸發（VT）的關鍵詞在離線情況下也可以被檢測到。音頻識別也并不局限于語言識別。TensorFlow提供了一個iOS上的示例工程，可以區分男性和女性的聲音。

另一個應用程序是檢測我們居住的城市和住宅周圍動物和其它聲音。這已經由安裝在英國伊麗莎白女王奧林匹克公園的深度學習蝙蝠監控系統驗證過了。它提供了將視覺和聽覺識別神經網絡集成到一個平臺的可能性。比如通過音頻識別特定的聲音，可以用來觸發安全系統進行錄像。

有很多基于云的AI應用程序是不現實的，一方面有數據隱私問題，另一方面由于數據連通性差或帶寬不夠造成的服務不能持續。另外，實時性能也是一個值得關注的問題。例如工業制造系統需求一個瞬時響應，以實時操作生產線，連接云服務的延時就太長了。

因此，將AI功能移動到終端設備越來越受到關注。也就是說，在正在使用的設備上發揮人工智能的力量。很多IP供應商提供了解決方案，比如CEVA的CEVA-X2和NeuPro IP核和配套軟件，很容易和現有的神經網絡框架進行集成。它為開發具備人工智能的嵌入式系統提供了可能性，同時提供了低功耗處理器的靈活性。以一個語音識別系統作為例子，可以利用集成在芯片上的功耗優化的人工智能，來識別一個語音觸發（VT）的關鍵詞和一個最小的語音命令(VC)的集合。更復雜的語音命令和功能，可以在應用程序從低功耗的語音觸發狀態下喚醒之后，由基于云的AI完成。

最后，卷積神經網絡（CNN）也可以用來提高文本到語音(TTS)系統的質量。一直以來TTS是將來自同一個配音員的許多小塊的高質量錄音，整合成連續的聲音。雖然所輸出的結果是人類可以理解的，但由于輸出結果存在奇怪的語調和音調，仍然感覺像是機器人的聲音。如果試圖表現不同的情緒則需要一組全新的錄音。谷歌的WaveNet改善了當前的情況，通過卷積神經網絡（CNN）以每秒16000個采樣生成TTS波形。與之前的聲音樣本相比，其輸出結果是無縫連接的，明顯更自然更高質量的聲音。