Overfitting nastává, když se model příliš naučí trénovací data – včetně jejich šumu a nepravidelností – a tím ztrácí schopnost zobecnění na nová, neznámá data. Takový model má sice vysokou přesnost na trénovacích datech, ale selhává na testovacích. Přeučení je častý problém u komplexních modelů a řeší se např. regularizací nebo větším množstvím dat.

Optimalizace v AI označuje proces hledání nejlepších hodnot parametrů modelu tak, aby co nejlépe předpovídal výsledky a minimalizoval chybu. Typicky se jedná o iterativní úpravu vah neuronové sítě pomocí algoritmů, jako je gradientní sestup. Optimalizace je jádrem učení v machine learningu a ovlivňuje přesnost i rychlost modelu.

Detekce objektů je úloha počítačového vidění, jejímž cílem je nejen rozpoznat, co se na obrázku nachází (např. auto, pes, člověk), ale také určit přesnou polohu těchto objektů pomocí ohraničujících rámečků (bounding boxes). Využívá se například v autonomních vozech, bezpečnostních systémech nebo analýze videa. Detekce objektů kombinuje klasifikaci a lokalizaci.