Ein künstliches neuronales Netz ist ein Rechenmodell aus vielen einfachen Einheiten, den Neuronen, die in Schichten angeordnet und untereinander verbunden sind. Jede Verbindung trägt ein Gewicht; ein Neuron summiert seine gewichteten Eingänge und gibt über eine Aktivierungsfunktion ein Signal weiter. Das Vorbild ist das Gehirn, doch die Ähnlichkeit endet bei der Grundidee: Ein Netz rechnet Zahlen, es denkt nicht.
Gelernt wird über die Gewichte, die im Training über das Backpropagation-Verfahren so lange nachjustiert werden, bis die Abweichung zwischen Ausgabe und gewünschtem Ergebnis klein genug ist. Zwischen Eingabe- und Ausgabeschicht liegen verborgene Schichten; sind es viele, spricht man von Deep Learning. Verschiedene Bauformen bedienen verschiedene Datenarten, etwa Convolutional Networks für Bilder oder die Transformer-Architektur für Sprache.
Das gesamte gelernte Wissen steckt in Millionen bis Milliarden Gewichtszahlen, die für Menschen nicht lesbar sind, was neuronale Netze zur klassischen Black Box macht.