Neuronová síť je soustava propojených výpočetních jednotek, nazývaných umělé neurony, které napodobují principy fungování biologických nervových sítí v mozku. Každý umělý neuron získává vstupní hodnoty, které upraví pomocí váhových koeficientů a následně je zpracuje pomocí aktivační funkce, jež rozhoduje o výsledném výstupu tohoto neuronu. Tato struktura umožňuje neuronovým sítím uchovávat a zpracovávat informace, hledat vzory v datech a učit se ze zkušenosti.
Architektura neuronových sítí bývá často vrstevnatá – základní model, vícevrstvá perceptronová síť (MLP), obsahuje vstupní vrstvu, jednu nebo více skrytých vrstev a výstupní vrstvu. Každá vrstva se skládá z několika neuronů, které jsou spojeny s neurony sousedních vrstev. Proces učení probíhá úpravou vah spojení na základě zpětné vazby, typicky prostřednictvím algoritmu zvaného „zpětné šíření chyby“ (backpropagation), což neuronové síti umožňuje optimalizovat své odpovědi na základě poskytnutých trénovacích dat.
Díky svým vlastnostem se neuronové sítě uplatňují v široké oblasti úloh – od rozpoznávání obrazů a zpracování přirozeného jazyka, přes generování textu, až po řízení autonomních vozidel nebo medicínskou diagnostiku. Moderní hluboké neuronové sítě („deep learning“) s desítkami i stovkami vrstev dosahují v některých úlohách dokonce lepších výsledků než lidé. Vědecký vývoj v oblasti neuronových sítí přináší stále nové modely a architektury, které umožňují řešit čím dál složitější úkoly a rozšiřovat možnosti umělé inteligence ve všech oblastech lidského života.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)