Expertensysteme bestehen aus einer Wissensbasis (mit Fakten, Regeln und Strategien) und einer Inferenzmaschine. Das Regelwissen, das ein Expertenssystem benötigt, kann unterscheiden werden in propositionales, analoges, und prozedurales.

Ziel von Expertensystemen ist es, das Wissen von Experten in der Wissensbasis zu sammeln, um damit konkrete Fälle lösen zu können wie die Diagnose einer Maschine (Auto, Flugzeug, Computer), eines Patienten, eines Rechtsfalls. In der Lehre lassen sich Expertensysteme deshalb am besten mit Methoden der Fallanalyse verbinden, dem sog. »case based teaching«.

IBM setzte alles daran, um eine Maschine mit einer wirklich gigantischen Rechenleistung zu konstruieren. Watson kann Daten mit einer Geschwindigkeit von 500 Gigabytes pro Sekunde verarbeiten (das entspricht etwa einer Million Bücher pro Sekunde), und er besitzt einen RAM-Speicher von 16 Billionen Bytes. Zudem hatte er Zugriff auf 200 Millionen Seiten an Material in seinem Speicher, einschließlich des gesamten gespeicherten Wissens von Wikipedia.

Watson ist ein Beispiel für die neueste Generation von «Expertensystemen», Software-Programmen, die formale Logik benutzen, um eine riesige Menge an spezieller Information abzurufen. (Wenn Sie am Telefon mit einer Maschine reden, die Ihnen eine Reihe von Möglichkeiten zur Auswahl stellt, dann ist das ein primitives Expertensystem.) Expertensysteme werden in Zukunft zunehmend Teil unseres Alltags werden und unser Leben bequemer und reibungsloser machen.