O rețea neuronală artificială este un model de calcul inspirat de structura creierului uman, format din straturi de „neuroni” artificiali interconectați prin ponderi ajustabile. Fiecare neuron primește semnale de intrare, le combină printr-o sumă ponderată și aplică o funcție de activare pentru a decide cât de puternic transmite semnalul mai departe.
Structura tipică include un strat de intrare (unde ajung datele brute — pixeli, cuvinte, valori numerice), unul sau mai multe straturi ascunse (unde se extrag tipare tot mai abstracte) și un strat de ieșire (care produce predicția finală — o clasă, o valoare, un text). Procesul de „învățare” constă în ajustarea ponderilor prin algoritmul de backpropagation, astfel încât rețeaua să minimizeze eroarea dintre predicțiile sale și rezultatele corecte dintr-un set de datedate de antrenament.
Rețelele neuronale stau la baza aproape întregii inteligențe artificiale moderne: rețelele convoluționale (CNN) excelează la procesarea imaginilor, cele recurente (RNN/LSTM) la secvențe temporale, iar arhitecturile de tip transformer — folosite de modelele mari de limbaj precum ChatGPT — la înțelegerea și generarea limbajului natural.
Puterea lor vine din capacitatea de a învăța automat reprezentări complexe direct din date, fără ca un inginer să programeze manual regulile — dar acest avantaj vine cu prețul unei „cutii negre”: deciziile unei rețele mari sunt greu de explicat om cu om, motiv pentru care domeniul „AI explicabilă” (XAI) a devenit important pentru aplicațiile critice (medicină, justiție, finanțe).
