AI 模型通过使用数学框架和算法来处理不完整或模糊的信息，从而在不确定性下进行推理。 这些模型不依赖于确定性输出，而是量化不同结果的可能性，并根据概率或置信度得分做出决策。 常用技术包括概率图模型（例如，贝叶斯网络）、用于抽样不确定场景的蒙特卡洛方法以及机器学习方法，例如聚合来自多个子模型的预测的集成模型。 例如，自动驾驶汽车可能会使用概率滤波器（例如，卡尔曼滤波器）来估计附近车辆的位置，尽管存在传感器噪声，但会随着新数据的到来更新其信念。
一种实用的方法是贝叶斯推断，它将先验知识与观察到的数据相结合以更新概率。 例如，医疗诊断系统可能会使用贝叶斯网络来建模症状和疾病之间的关系。 如果患者报告发烧和咳嗽，该模型会通过结合疾病流行率和症状重叠的先前数据来计算流感与 COVID-19 的概率。 类似地，在自然语言处理中，语言模型通常会为句子中可能的下一个词分配概率，在考虑替代方案的同时选择最可能的序列。 神经网络中的 dropout 等技术（在训练期间随机停用神经元）也可以解释为通过防止对特定特征的过度自信来模拟不确定性。
在决策环境中，强化学习 (RL) 智能体通过平衡探索（尝试新动作）和利用（使用已知的有效动作）来处理不确定性。 例如，基于 RL 的推荐系统可能会偶尔测试不太知名的产品以收集数据，同时主要推荐受欢迎的商品。 不确定性感知模型还会量化预测置信度，例如分类模型不仅输出类标签，还输出概率分布。 在回归任务中，高斯过程之类的方法会预测一系列可能的值，而不是单个点估计。 这些策略可帮助开发人员构建适应噪声数据、管理风险并在实际应用中为可信度提供透明指标的系统。