人工智能在云平台、金融、量化金融、产品设计等各个领域的应用日益增长。许多研究人员仍在探索人工智能聊天机器人的作用以及在开发这些聊天机器人模型中应用机器学习技术的方法。实施聊天机器人模型、进行训练和测试需要大量的数据和成本。这属于自然语言处理和计算机视觉的广泛范畴。为了解决这一经济危机，伦敦大学学院和爱丁堡大学的研究人员正在研究利用机器学习技术构建更好模型以解决这一问题。
研究人员仍在努力解决与云平台（如AWS）的经济相关的问题。研究团队开发了一种基于测量系统的机器学习方法。对比了普通机器学习模型和通过机器学习开发的新模型。这导致了一种节省成本的方法，这种方法相当不错，但也存在一些缺点。这些节省成本的模型预测了最小或最可能的结果。研究人员将问题分为三个主要类别来解决。
研究人员首先实施了批次选择作为第一种方法。这涉及大量的图像堆叠在一起。这些图像按照特定的顺序排列。批次选择是迄今为止使用的一种较便宜的方法，但仍有一些不足之处。研究人员使用的第二种方法称为层叠。这涉及将多个神经网络堆叠在一起。该模型使用层叠来实施模型。情感分析在层叠过程中也起着重要作用。研究人员设计的第三种方法基于高效优化器。这种方法基于减少浪费和加速搜索功能。这种方法是最优的，因为它提供了具有极高准确性的解决方案。在该过程中使用的优化器是Adam优化器的两倍快。
同时使用所有数据并且不舍弃废料信息将无法生成正确的输出。在所有三种输出中，只有层叠方法涉及最小的验证和训练增益。这类过程如今正在大规模改进。许多研究人员正在进行相同的研究。研究人员开发了一种比以前更节省计算资源的优化技术。研究项目完成后，“不训练，不增益”的总体结果被验证通过。