Choć sama liczba sprzętu korzystającego ze sztucznej inteligencji ma wzrosnąć, to cele jego wykorzystania nie zmienią się. Pierwszym pozostanie konserwacja zapobiegawcza. Dzięki AI można szybciej wykryć usterki, które mogłyby prowadzić do całkowitej awarii maszyn. Drugim jest ciągłe monitorowanie stanu urządzeń. Sztuczna inteligencja w takich zastosowaniach już sprawdziła się i firmy chętnie w nią inwestują. Komputery monitorujące stan maszyn w 2024 roku będą stanowiły niemal ⅔ z 15,4 mln urządzeń. Największy wzrost – z 300 tys. do 3,7 mln – mamy odnotować w przypadku komputerów, których celem jest inspekcja usterek. Właśnie inteligentne układy diagnostyczne są głównym przedmiotem badań w ramach tego projektu. Istnieje wiele dziedzin w których wykorzystanie analizy czasowo-częstotliwościowej oraz sztucznych sieci neuronowych głębokiego uczenia (ang. Deep Learning) nie zostało dokładnie zbadane. Jednym z takich obszarów nauki jest analiza sygnałów akustycznych. Trudność w zastosowaniu tych technologii wynika z faktu zmienności dynamicznej tego typu sygnałów, związanych z szeregiem zjawisk z różnych obszarów fizyki. Własności te prowadzą do utrudnionej interpretacji uzyskanych wyników. Możliwym rozwiązaniem problemu autonomicznej interpretacji wyników pomiarów jest zastosowanie sztucznych sieci neuronowych (z ang. artificial neural network – ANN). Zastosowanie klasycznych ANN jest jednak utrudnione z powodu dużych ilości surowych danych, które wymagają wcześniejszej obróbki i ekstrakcji cech szczególnych danego sygnału. W takim przypadku obróbka wstępna sygnału byłaby kosztowna pod względem obliczeniowym. Alternatywą dla klasycznych ANN przydatną w tego typu problemach mogą okazać się sieci głębokiego uczenia. Charakteryzują się one zdolnością do wyszukiwania szczegółów w danych wejściowych, co pozwala na minimalizowanie złożoności obliczeniowej wstępnej obróbki danych. W sieciach Deep Learning możliwe jest przetwarzanie wielowymiarowych danych wejściowych. Zastosowanie warstw konwolucyjnych które „przeszukują” dane wejściowe pod kątem wystąpienia wyuczonych struktur. Należy zaznaczyć, że struktury te powstają w procesie uczenia sieci i zależą od zestawu danych uczących.