Neuronová síť je jednou z páteří umělé inteligence. Imituje neuronové struktury lidského mozku a její funkcí je souběžné (paralelní) zpracování dat v distribuované (decentralizované, rozptýlené) síti navzájem propojených umělých neuronů. Ty si předávají signály a přetváří je na bázi několika typů přenosových funkcí. Neuronová síť dnes rozpoznává a klasifikuje obrazy, zvuky, texty, řeč, předvídá vývoj časové řady jevů, třeba cen akcií a komodit, rozpoznává spamy, na Facebooku umožňuje rozeznávání tváře, u Microsoftu překládání, u Googlu googlování. Je zapřáhnuta do rozvíjení konverzační dovednosti chatbotů i do rozvoje samořídících aut, dronů, letadel a plavidel. Neuronová síť se "učí" na velké sadě dat a vzorů. Její potřebná dovednost je buď předem zadána včetně požadované přesnosti resp. chybovosti, a pak se učí s učitelem na základě zpětné vazby o chybách a postupných korekcích. Naopak u jiných typů úloh nemůže být z povahy věci předem známo, co je "správný" výsledek, a neuronová síť se pak tedy učí sama, bez učitele, a sama si postupně nachází kritéria a výsledek. Třeba roztřídí sadu věcí do několika kategorií na základě opakovaných znaků, kterých si "sama všimla".

Přes všechny fascinující výsledky umělé inteligence jsou její strůjci zároveň frustrováni jejími limity. Neuronové sítě umí porozumět předmětu své práce jen na základě obrovského množství naservírovaných a pečlivě označených dat. To ale znamená, že ke spoustě úkolů jsou prostě nepoužitelné. Dále platí, že výzkumníci a vývojáři mají omezenou možnost pochopit, proč neuronová síť udělala určitá rozhodnutí. Ta je pro ně pak do určité míry black boxem. Tato neprůhlednost je velkým problémem zejména v tak citlivých oblastech, jako je konkrétní rozhodnutí umělé inteligence o kolizi samořídícího auta.

Velké technologické společnosti i řada startupů proto rozšiřují svůj celkový přístup k umělé inteligenci o novou dimenzi. Neurální sítě dosud dělaly své závěry výlučně z velkých dat. Rozšířený přístup do jejich postupu nově zakomponovává další prvek: formulování hypotézy a její následné modifikování na základě dat. Jde o zapojení přístupu Thomase Bayese, anglického matematika a pastora z 18. století, který přiřazuje výchozí pravděpodobnost platnosti určité teorie na základě různých podstatných informací. V procesu konfrontace výchozí hypotézy s konkrétními daty se hypotéza stále zpřesňuje stejně jako pravděpodobnost její platnosti. Aplikace této logiky na systémy umělé inteligence jim umožňuje učit se i z omezených dat tak, jak to dělají lidé, a tím předčít sílu hlubokého strojového učení. Systémy malých dat jsou potřebné právě pro ty úlohy, kde velká data z povahy věci vždy budou chybět, třeba u samořídících aut.

Bayesův přístup strůjci umělé inteligence kombinují s tzv. Gaussovým principem. Ten pomáhá identifikovat nejistotu a zakomponovat ji do strojového učení. Gaussův proces je statistickým modelem, v němž se pozorování jevů odehrává ve spojitých nelimitovaných doménách, jako je třeba prostor nebo čas, a který pracuje s přirozeným rozložením nahodilých proměnných. Gaussův princip se třeba uplatňuje při automatickém rozhodování, jakou reklamu má zobrazit home page konkrétních webovek, v Uberu při optimalizaci jeho služeb, v Googlu pro řízení internetových balónů.

Whetlab, startup zakoupený Twitterem, pracuje na nové metodě výstavby neuronových sítí. Ta byla dosud komplikovaným procesem pokusů a omylů, při němž největší zátěží nebylo kódování, nýbrž obtížné a zdlouhavé vytěžování obrovské záplavy dat. Bayesovský přístup a Gaussův proces nabízejí inspiraci pro automatizaci procesu designování neuronových sítí. Whetlab tak vlastně zapojil neuronovou síť do výstavby neuronových sítí, a řeší tím chyby spolehlivosti, kterými trpí tradičně stavěné neuronové sítě.