Süsteem, mis analüüsib video kaadreid järjestikku ja ennustab igas kaadris nähtavad objektid.

Süsteem, mis genereerib tekstilise kirjelduse pildi põhjal kooder-dekooder arhitektuuri abil.

Süsteem, mis paigutab pildid ja tekstid samasse vektorruumi, et hinnata nende semantilist sarnasust.

Süsteem, kus kõnetuvastus teisendab heli tekstiks ja masintõlge teisendab selle teise keelde.