Von Neumann mimarisi denilen şeye göre yapılan tipik bir bilgisayarda, bellek bankaları yalıtılmış bir modülde yaşıyor. Yönergeleri işleyen tek bir işlemci var ve bellek seri mimariyi kullanarak birer birer yeniden yazar. Bilgi işlem için farklı bir yaklaşım sinir ağıdır. Bir sinir ağında, binlerce, hatta milyonlarca bireysel "nöron" veya "düğümden" oluşan tüm işlemler oldukça paralel ve dağıtılmıştır. "Anılar", karmaşık ara bağlantılarda ve düğümler arasındaki ağırlıklarda depolanır.
Sinir ağları, doğada hayvan beyni tarafından kullanılan bilgisayar mimarisi türüdür. Bu zorunlu değildir, çünkü sinir ağı doğal olarak seri hesaplamaya göre daha üstün bir işlem şeklidir, ancak seri hesaplamayı kullanan bir beynin artan şekilde gelişmesi çok daha zor olacağından. Sinir ağları aynı zamanda seri bilgisayarlardan daha iyi "gürültülü veri" ile ilgilenme eğilimindedir.
İleriye dönük bir sinir ağında, özel düğümlerle dolu bir "giriş katmanı" bilgiyi alır, daha sonra dışarıdan aldığı bilgiye dayanarak ikinci bir katmana bir sinyal gönderir. Bu bilgi genellikle ikili "evet veya hayır" sinyalidir. Bazen, "hayır" dan "evet" e geçmek için, düğüm belirli bir heyecan ya da stimülasyon eşiği miktarında yaşamak zorundadır.
Veriler, giriş katmanından ikincil ve üçüncül katmanlara ve böylece programcıların analiz etmesi için bir ekranda sonuçları gösteren son bir "çıkış katmanına" ulaşana kadar devam eder. İnsan retina sinir ağlarına dayanarak çalışır. Birinci seviye düğümler, görsel alandaki renkler, çizgiler ve kenarlar gibi basit geometrik özellikleri algılar. İkincil düğümler, hareket, doku ve derinlik gibi daha karmaşık özellikler soyutlamaya başlar. Son “çıktı”, görsel alana baktığımızda bilincimizin kaydettiği şeydir. İlk girdi, kalıcı bir nesne fikri gibi anlamlı nitelikleri anlamında anlamlı nitelikleri anlamında nörolojik donanım olmadan çok az şey ifade eden, karmaşık bir foton düzenidir.
Geriye yayılan sinir ağlarında, önceki katmanlardan gelen çıktılar diğer sinyalleri sınırlamak için bu katmanlara geri dönebilir. Duyularımızın çoğu bu şekilde çalışıyor. İlk veriler nihai sonuçta bir "eğitimli tahmin" isteyebilir, ardından bu eğitimli tahmin bağlamında gelecekteki verilere bakabilir. Optik illüzyonlarda duyularımız yanlış olduğu konusunda eğitimli tahminler yapar.
Yapay sinir ağlarını algoritmik olarak programlamak yerine, programcılar bir sinir ağını bireysel nöronların eğitimi veya hassas ayarları ile yapılandırmalıdır. Örneğin, bir sinir ağını yüzleri tanımak için eğitmek, sinir ağını tanıma becerilerini geliştirmek üzere eşleştirmek için olumlu veya olumsuz geri bildirimlerin eşlik ettiği, ağa farklı "gerçek" ve "gerçek olmayan" nesnelerin gösterildiği birçok eğitim çalışması gerektirecektir.
