Jest kilka definicji sztucznej inteligencji. Np. Komisja Europejska podaje następującą definicję:

"AI to zaprojektowane przez ludzi systemy oprogramowania (i ewentualnie również sprzętu), które, biorąc pod uwagę złożony cel, działają w wymiarze fizycznym lub cyfrowym, postrzegając swoje środowisko poprzez pozyskiwanie danych, interpretując zebrane ustrukturyzowane lub nieustrukturyzowane dane, rozumując na podstawie wiedzy lub przetwarzając informacje, uzyskane z tych danych i decydując o najlepszym działaniu (działaniach), jakie należy podjąć, aby osiągnąć dany cel. Systemy AI mogą wykorzystywać reguły symboliczne lub uczyć się modelu numerycznego, a także dostosowywać swoje zachowanie poprzez analizę wpływu poprzednich działań na środowisko.

Jako dyscyplina naukowa AI obejmuje kilka podejść i technik, takich jak uczenie maszynowe (którego konkretnymi przykładami są uczenie głębokie i uczenie wzmacniające), rozumowanie maszynowe (które obejmuje planowanie, harmonogramowanie, reprezentację wiedzy i rozumowanie, wyszukiwanie i optymalizację) oraz robotykę (która obejmuje sterowanie, percepcję, czujniki i siłowniki, a także integrację wszystkich innych technik w systemy cyber-fizyczne)."

Sztuczne sieci neuronowe składają się z węzłów (pojedynczych neuronów), warstw tworzonych przez węzły oraz połączeń między węzłami.

Węzły w sieci neuronowej są rozłożone na co najmniej trzy warstwy (poziomy). Te trzy warstwy (poziomy) to:

1. Warstwa wejściowa
2. "Ukryta" warstwa
3. Warstwa wyjściowa

Te trzy warstwy to minimum. W sieci neuronowej ukrytych warstw może być więcej, natomiast zawsze jest tylko jedna wartswa wejściowa i jedna wyjściowa.

Warstwa wejściowa jest analogiczna do nerwów wzrokowych w ludzkim przetwarzaniu wizualnym - otrzymuje surowe informacje wejściowe. Każda z kolejnych warstw (poziomów) otrzymuje wynik z poziomu poprzedzającego go, a nie surowego wejścia - neurony oddalają się od nerwu wzrokowego, pobierają sygnały od tych neuronów, które są bliżej. Ostatni poziom wytwarza wyjście systemu. Połączenia między węzłami posiadają przypisane im wagi, przez które przemnażany jest sygnał przez nie płynący.
Podsumowując, warstwy są połączone za pomocą węzłów, a połączenia te tworzą „sieć” – sieć neuronową.

Sieci neuronowe w szczególności wykorzystywane są w głębokim uczeniu się – czyli zaawansowanym rodzaju uczenie maszynowego, które może wyciągnąć wnioski z określonych danych bez interwencji człowieka. Na przykład model głębokiego uczenia oparty na sieci neuronowej i zasilany wystarczającą ilością danych szkoleniowych może być w stanie zidentyfikować element na zdjęciu, którego nigdy wcześniej nie widział.
Głębokie uczenie umożliwia przechwytywanie i eksplorację coraz większej ilości danych, w tym danych nieustrukturyzowanych.