As Redes Neurais Artificiais são modelos matemático-computacionais inspirados no funcionamento das células neuronais. Possuem processamento altamente paralelo, executado por unidades denominadas neurônios, "que têm a propensão natural de armazenar conhecimento experimental e torná-lo disponível para o uso", (Aleksander e Morton, 1990). Apresentam as seguintes propriedades neurobiológicas:

1. O conhecimento é adquirido pela rede, a partir de seu ambiente, através de um processo de aprendizagem;
2. Forças de conexões entre neurônios, conhecidas como pesos sinápticos, são utilizadas para armazenar o conhecimento adquirido.

Os pesos sinápticos são alterados através de processos algorítmicos, para que possam representar o conhecimento adquirido. Estas alterações caracterizam o processo de aprendizagem de uma rede neural.

■ Por que utilizá-las?

As redes neurais artificiais possuem algumas características que as tornam satisfatoriamente aplicáveis a problemas não adequados à computação tradicional:

Generalização: Podem aprender através de conjuntos de exemplos e apresentar respostas coerentes para entradas não vistas durante o treinamento.

Adaptabilidade: Podem adaptar-se ao seu novo ambiente através de alterações em seus pesos sinápticos, no caso de operarem em outro ambiente. Também podem ser projetadas para alterarem seus pesos em tempo real ou para operarem em ambientes que variem com o tempo.

Informação Contextual: Processam as informações contextuais de forma natural, uma vez que o processamento de um neurônio é afetado pelo processamento de outros neurônios da rede.

Uniformidade: A mesma notação é utilizada em diferentes domínios de aplicações; os neurônios são encontrados em todas as redes neurais; é possível utilizar os mesmos algoritmos de aprendizagem e teorias em diversas aplicações; através da integração homogênea de módulos, podemos construir redes modulares.

■ Algumas dificuldades

A modelagem de uma rede neural depende da análise consistente de um sistema muitas vezes complexo, implicando em dificuldades para definir qual arquitetura melhor responde às necessidades do problema proposto e na escolha de quais dados são verdadeiramente relevantes para o processamento. Além da entrada, também devemos definir de forma ideal os parâmetros de aprendizagem, os pesos sinápticos e os níveis de bias, os quais são de severa importância para o processo de aprendizado.

Outra dificuldade encontrada seria a extração de regras justificativas da decisão tomada pela rede, as quais representariam o conhecimento adquirido durante o treinamento. Por este motivo, as redes neurais são apelidadas de "Caixas Pretas".

Contudo, pesquisadores vêm tentando minimizar as dificuldades da implementação das redes neurais através de algoritmos extratores de regras e o uso de sistemas híbridos, combinando, por exemplo, uma rede neural com algoritmos genéticos, para que se possa otimizar a definição das taxas de aprendizado, pesos sinápticos e níveis de bias, ou então utilizando algoritmos que façam extração de regras lógicas, como o algorítmo KBANN (Knowledge Base Neural Networks). - FONTE: Incc.br.