Zamislite računar koji ne treba programirati. Sistem bi mogao da uči na isti način kao i vi, samo posmatrajući svet oko sebe. Već znate da su rani sistemi veštačke inteligencije koristili simbolički pristup. Ideja je bila da ako sistem prepozna simbole, onda će početi da deluje inteligentno. Jedan od ključnih izazova bio je u tome što su na kreiranju sistema radili programeri. Kasnije su kompjuterski stručnjaci odustali od ovog pristupa, jer je postao previše složen tj. imao je suviše različitih kombinacija. Došli su do zaključka da nije moguće samo programiranjem doći do inteligentnog sistema, već je neophodno da on to sam postane. Sa druge strane, on ne može da oseća, sluša, niti gleda, ali zato može da prikuplja podatke. Godine 1959. kompjuterski stručnjak po imenu Artur Semjuel napravio je program za igru dame koji je mogao da uči. To znači da je igrao na obe strane i na taj način savladao kompletnu strategiju. Pri tome programeri koji su stvorili osnovni program nisu imali nikakvu ulogu, kompjuter je sve naučio kroz sopstveno iskustvo. Artur Semjuels je ovaj postupak nazvao mašinskim učenjem. Ono se razlikovalo od simboličkih sistema jer čovek nije učestvovao u programiranju određenih poteza niti davao odgovore. Umesto toga, sistem je bio dizajniran da sam uči i da se tako unapređuje. Nakon kratkog vremenskog perioda, sistem je bio u mogućnosti da pobedi svakog programera što je predstavljalo revolucionarno dostignuće.

Postojao je samo jedan problem. Naime, 50-ih godina prošlog veka nije bilo mnogo digitalnih podataka a pošto mašinsko učenje koristi podatke kao svojih pet čula, moglo je da pronalazi samo najjednostavnije obrasce. No, to se promenilo početkom 90-ih. Eksplozija Interneta iznenada je naterala obične ljude da stvaraju ogromne količine podataka. Devedesete su bile vreme brzog rasta sistema za mašinsko učenje. Novi podaci bili su kao voda koja se izlila po suvim poljima veštačke inteligencije. U tom periodu, sistemi mašinskog učenja su imali sve što im je bilo potrebno da postanu zaista inteligentni. Dakle, ako ste želeli da naučite sistem kako da identifikuje mačku, za to ste mogli da koristite milione slika koje su vam bile dostupne preko Interneta. Istovremeno su informatičari počeli da stvaraju nove algoritme za mašinsko učenje. Bilo je čak i nekih istraživača koji su počeli da stvaraju sisteme koji bi trebalo da oponašaju ljudski mozak.

Jedna od najvećih prednosti ovakvog načina učenja je da ono napreduje uporedo sa povećanjem količine dostupnih podataka. Ako mašina pronađe nove obrasce, ona može i da se prilagoditi novim informacijama. Sa druge strane, važno je imati na umu da se sistem mašinskog učenja još uvek zasniva na identifikaciji obrazaca. Bez obzira na to, mašinsko učenje u poslednjih nekoliko godina predstavlja najbrže rastuću oblast na polju veštačke inteligencije. Kako se količina podataka povećava, ono postaje sve izazovnije, pa se stalno pojavljuju nove organizacije koje rade na prikupljanju ogromnih količina podataka. Upravo zbog toga, veliki izazov predstavlja pitanje šta uraditi sa svim ovim informacijama.