Logika fuzzy merupakan salah satu metode dari artificial intelligence yang tidak hanya memiliki nilai kebenaran ya dan tidak, tetapi juga memiliki nilai samar atau abu-abu. Fuzzy memiliki rentang nilai 0 dan 1, yang mana nilai 0 merupakan nilai mutlak salah dan nilai 1 merupakan nilai mutlak benar. Jadi, tidak seperti logika Boolean yang hanya ada “paham” dan “tidak paham”, tetapi fuzzy memiliki nilai samar-samar, seperti “sangat paham”, “cukup paham, “paham”, “kurang paham”, dan “tidak paham”. Fuzzy inference system (FIS) merupakan suatu sistem yang digunakan untuk pengambilan keputusan berdasarkan logika fuzzy. Secara sederhana, FIS merupakan cara membuat komputer berpikir seperti manusia dalam menghadapi situasi samar-samar, kurang jelas, atau tidak pasti. Ada beberapa komponen utama pada FIS ini, seperti input, fuzzifikasi, aturan inferensi, komponen aturan, defuzzifikasi. Ada berbagai metode FIS yang dapat digunakan, seperti metode inferensi Sugeno, metode inferensi Tsukamoto, dan metode inferensi Mamdani. Adapun implementasi fuzzy dapat digunakan di berbagai bidang, seperti kendaraan otonom atau kendaraan tanpa kemudi. Menggunakan FIS dapat membuat keputusan kapan kendaraan tersebut harus melambat atau berhenti berdasarkan kondisi cuaca ataupun kondisi jalan.
Genetic algorithm merupakan salah satu metode optimasi yang dikembangkan dan terinspirasi dari teori evolusi, yaitu mencari solusi terbaik dari sejumlah solusi yang mungkin. Ada beberapa tahapan dalam genetic algorithm ini, yaitu inisialisasi populasi awal secara acak, yang mana setiap solusi direpresentasikan dengan kromosom. Kromosom ini terdiri dari sejumlah gen. Kemudian, dilakukan evaluasi pada setiap solusi dalam populasi yang disebut dengan fitness. Semakin tinggi nilai fitness, semakin baik solusi tersebut memecahkan masalah. Solusi yang memiliki nilai fitness tertinggi dipilih untuk menjadi “orang tua” untuk menghasilkan generasi selanjutnya. Kemudian, untuk menciptakan solusi baru pada populasi berikutnya, dilakukan reproduksi, yang mana menggabungkan informasi genetik dari dua solusi “orang tua”. Proses ini dapat dilakukan dengan beberapa cara, seperti crossover (pencampuran) dan mutasi (pengubahan acak). Terdapat tahapan pemutusan untuk menghilangkan beberapa solusi berdasarkan berbagai kriteria untuk menjaga keberagaman dan menghindari konvergen yang terlalu cepat ke solusi yang tidak optimal. Langkah-langkah tersebut diulang beberapa kali hingga mencapai kondisi berhenti yang telah ditentukan atau telah mencapai solusi yang memadai. Ada beberapa kasus yang dapat diimplementasikan menggunakan genetic algorithm, seperti pengoptimasian jadwal dan Traveling Salesman Problem (TSP).
Deep learning merupakan sub bagian dari machine learning yang menggunakan jaringan saraf (neural network) dan menggunakan banyak lapisan (layer). Dalam layer ini, informasi mengalir dari layer input melalui beberapa layer tersembunyi (hidden layer) menuju lapisan output. Pada proses training atau pelatihannya, deep learning melibatkan perhitungan gradien loss function dan memperbarui parameter (bobot dan bias) jaringan melalui algoritma pembelajaran yang dikenal dengan backpropagation. Metode yang populer pada deep learning salah satunya adalah Convolutional Neural Network (CNN). Dibandingkan dengan machine learning, deep learning memiliki kemampuan dalam ekstraksi fitur secara otomatis dan dapat digunakan untuk dataset yang sangat banyak dan lebih banyak komputasi. Maka, deep learning sering dipakai ketika ada permasalahan kompleks. Deep learning sering dipakai untuk kasus pengolahan citra, natural language processing, pemrosesan suara, dan lainnya.