Las redes neuronales artificiales son sistemas de procesamiento de información basados en sistemas nerviosos naturales como el cerebro humano. Consisten en muchas neuronas artificiales individuales que están interconectadas, pueden resolver problemas juntas y tienen la capacidad de aprender. Una red neuronal recurrente (RNN) se parece particularmente al cerebro humano porque contiene circuitos de retroalimentación. Estos permiten que las señales viajen hacia adelante y hacia atrás, creando un sistema más complejo y menos estable. La red neuronal recurrente es dinámica y, después de cada entrada, el estado del sistema cambia continuamente hasta que alcanza un equilibrio.
Los cerebros humanos pueden describirse como redes neuronales biológicas recurrentes. Una red neuronal recurrente artificial comparte la capacidad del cerebro para aprender procesos y comportamientos. Esto no es posible con los métodos tradicionales de aprendizaje automático. Al igual que otros tipos de redes neuronales, una red neuronal recurrente es especialmente buena para reconocer patrones y detectar tendencias. Se han encontrado varios usos potenciales para este tipo de modelo computacional, incluido el reconocimiento de enfermedades a partir de escáneres médicos, el modelado de sistemas corporales, el reconocimiento del habla y la escritura a mano y la previsión del mercado de valores.
Por lo general, se utilizará una red neuronal recurrente para resolver un problema en el que se sabe, o se sospecha fuertemente, que existe algún tipo de relación entre la entrada de datos y la salida desconocida. La red será capacitada, o se capacitará a sí misma, para resolver esa relación y proporcionar un posible valor de salida. Una red neuronal recurrente puede manejar grandes problemas complejos en los que algunos valores faltan o están dañados. Su capacidad para aprender del ejemplo lo hace poderoso y flexible, y elimina la necesidad de crear un algoritmo para cada tarea específica.
Las redes neuronales recurrentes se pueden describir como herramientas de modelado de datos estadísticos no lineales. La presencia de circuitos de retroalimentación significa que son sistemas adaptativos, capaces de responder al cambio. Una red neuronal recurrente utilizada en el campo de la robótica puede permitir que un robot aprenda de la experiencia, lo que le permite tomar decisiones sobre qué dirección tomar para alcanzar un objetivo. Incluso podría ser posible desarrollar la curiosidad en los robots al hacer que sea gratificante concentrarse en cosas que son impredecibles, aunque no completamente aleatorias. Algunos científicos creen que la conciencia en sí misma es un proceso mecánico y que algún día podría ser posible desarrollar una forma consciente de red neuronal recurrente, aunque esto llevaría a cuestiones éticas sobre los derechos de los robots y las máquinas.