Панорамная визуализация потока или теплоотдачи на поверхностных моделях является эффективным и информативным методом исследования направления в пограничном слое. Вследствие развития цифровых и технических возможностей научные исследования все более основаны на анализе больших данных с помощью искусственного интеллекта (ИИ). Насколько оправдано применение тех или иных методов ИИ в каждой конкретной задаче, пока открытый вопрос. Цель работы - обзор результатов применения нейронных сетей (НС) и машинного обучения для решения задач диагностики течений с помощью ЖК. А именно, для измерения полей температуры, тепловых потоков и векторов касательного напряжения внешнего трения. Кроме этого, актуальными задачами являются измерение физической характеристики ЖК и получение новых ЖК-смесей. Обсуждаются возможности и ограничения, области применения и перспективы нейросетевого подключения. А также программные средства для его реализации. Анализ литературных данных показал, что применение НС и глубокого машинного обучения для аппроксимации калибровочных зависимостей температуры и касательного напряжения от многофакторного оптического отклика ЖК позволяет получить точность, сравнимую с пределом контрольной выборки.