Obrovské změny dokázaly neuronové sítě přinést třeba i počítačového vidění a rozpoznávání obrazu (jakožto hluboké neuronové sítě) a také učení přirozeného jazyka.
Výhodou je, že umělé neuronové sítě jsou navíc docela jednoduché: přinejmenším v porovnání s jinými novými AI technologiemi je zvládne podstatně vyšší počet softwarových inženýrů.
Důležité je také původní cíl neuronových síť, tedy řešit problémy tak, jak by to udělal lidský mozek, což je blíže spíše vytvoření obecné umělé inteligence. Od toho se však z části ustoupilo a většina v praxi nasazených aplikací je specializovaná: kromě počítačového vidění a učení přirozeného jazyka jde také třeba o filtrovací systémy sociálních sítí, samozřejmě videohry či prediktivní analýzu a také zdravotnické diagnózy. Zapomínat bychom neměli ani na chatboty.
Klasickými výukovými metodami neuronových sítí jsou tři paradigmata typická pro strojové učení: učení s učitelem, učení bez učitele a zpětnovazební učení. Obzvláště zpětnovazebné učení dosahuje skvělých výsledků, využívajíc klasických Markovových řetězců.
Oblíbeným jazykem pro programování neuronových sítí je Python. Ten je zároveň nekorunovaným králem hlubokého učení obecně; je nejpoužívanější a nejpopulárnější, i díky svojí přehlednosti a relativní jednoduchosti.
Vývoj v oblasti navíc postupuje mílovými kroky a neustále vznikající nové vědecké studie z prestižních technických univerzit poukazují na to, že pokud bychom si měli něco představit pod „AI pomáhající člověku“, tak si máme vybavit právě neuronové sítě (a jejich konvoluční variantu) a hluboké učení. A to jednoduše proto, že už v praxi funguje a vytváří nová řešení.