Tutkijoiden kehittämällä algoritmilla voidaan tarkasti ennustaa sairaalahoidossa olevien koronapotilaiden kuolemanriskiä riippumatta potilaan rokotusstatuksesta tai virusvariantista.
Koneoppiminen on yksi tekoälyn menestyneistä osa-alueista, jolle on löydetty monia käytännön sovelluskohteita. Turun yliopistossa väittelevän Markus Viljasen väitöstutkimus ratkaisee sensuroidun datan ongelman tietyillä koneoppimisen sovellusalueilla määrittelemällä parittaiseen dataan perustuvia matemaattisia malleja, joiden avulla koneoppimista voidaan soveltaa ennustustehtävään. Uusilla menetelmillä ennustuksia voidaan tuottaa reaaliajassa.
Käännöstä ei välttämättä tehdä alkukielisestä tekstistä, vaan se voidaan tehdä myös välikielen kautta – tekstistä, joka on jo itsessään käännös. Toisinaan kääntäjä käyttää työssään useita erikielisiä versioita. Turun yliopistossa tarkastettavassa väitöstutkimuksessa selvisi, että välikielinen kääntäminen on moniulotteinen, joskus usean toimijan yhteistyönä toteutettava prosessi. Tutkimuksessa selvisi myös, että koneoppiminen tarjoaa kehityskelpoisen apuvälineen välikielisten käännösten tunnistamiseen ja tutkimiseen.