Sztuczne sieci neuronowe to systemy przetwarzania informacji oparte na naturalnych układach nerwowych, takich jak ludzki mózg. Składają się z wielu pojedynczych sztucznych neuronów, które są ze sobą połączone, mogą wspólnie rozwiązywać problemy i mają zdolność uczenia się. Rekurencyjna sieć neuronowa (RNN) szczególnie przypomina ludzki mózg, ponieważ zawiera pętle sprzężenia zwrotnego. Umożliwiają one przesyłanie sygnałów zarówno do przodu, jak i do tyłu, tworząc bardziej złożony i mniej stabilny system. Rekurencyjna sieć neuronowa jest dynamiczna i po każdym wejściu stan systemu ciągle się zmienia, aż do osiągnięcia równowagi.
Ludzkie mózgi można opisać jako biologiczne, rekurencyjne sieci neuronowe. Sztuczna, rekurencyjna sieć neuronowa współdzieli zdolność mózgu do uczenia się procesów i zachowań. Nie jest to możliwe w przypadku tradycyjnych metod uczenia maszynowego. Podobnie jak inne rodzaje sieci neuronowych, sieć neuronowa rekurencyjna jest szczególnie dobra w rozpoznawaniu wzorców i dostrzeganiu trendów. Odkryto wiele potencjalnych zastosowań tego rodzaju modelu obliczeniowego, w tym rozpoznawanie chorób na podstawie skanów medycznych, modelowanie układów ciała, rozpoznawanie mowy i pisma ręcznego oraz prognozowanie giełdowe.
Zwykle do rozwiązania problemu, w którym wiadomo lub istnieje silne podejrzenie, że istnieje jakiś związek między danymi wejściowymi a nieznanymi danymi wyjściowymi, wykorzystywana jest rekurencyjna sieć neuronowa. Sieć zostanie przeszkolona lub sama się nauczy, aby wypracować tę zależność i zapewnić możliwą wartość wyjściową. Powtarzalna sieć neuronowa jest w stanie poradzić sobie z dużymi, złożonymi problemami, w których brakuje niektórych wartości lub są one uszkodzone. Jego zdolność do uczenia się na przykładach czyni go potężnym i elastycznym oraz eliminuje potrzebę tworzenia algorytmu dla każdego konkretnego zadania.
Rekurencyjne sieci neuronowe można opisać jako nieliniowe narzędzia statystycznego modelowania danych. Obecność pętli sprzężenia zwrotnego oznacza, że są to systemy adaptacyjne, zdolne do reagowania na zmiany. Rekurencyjna sieć neuronowa wykorzystywana w dziedzinie robotyki może umożliwić robotowi uczenie się na podstawie doświadczenia, umożliwiając mu podejmowanie decyzji o tym, w którym kierunku obrać kierunek, aby osiągnąć cel. Możliwe jest nawet rozwinięcie ciekawości w robotach, dzięki czemu skupienie się na rzeczach nieprzewidywalnych, choć nie całkowicie przypadkowych, będzie opłacalne. Niektórzy naukowcy uważają, że sama świadomość jest procesem mechanicznym i że pewnego dnia może być możliwe rozwinięcie świadomej formy powtarzalnej sieci neuronowej, chociaż prowadziłoby to do pytań etycznych dotyczących praw robotów i maszyn.