Ennyi erővel minden csak egy if és for halmaz. A neurális háló lényegében épp ez: a neuron aktivációs függvénye egy összeadás a bejövő értékekre (súllyal szorozva), és egy if az aktivációs küszöbre.
Az algoritmusok is csak forok és ifek egymás heygén hátán. Ahogy az algoritmusban sem mindegy, hogy hol mi van, úgy a neurális hálóban sem.
Mármost az MI-nek, különleges eseteként a neurális hálóknak (mert csomó MI-nek nevezett dolog sima statisztika, vagy a döntési fák is nevezik MI-nek, meg a gépi tanulás teljes eszköztárát) is megvannak a maga "algoritmusai", építőkövek amikből aki járatos a témában gyorsan tud egy feladatra használható pontosságú eszközt építeni, az ilyen osztályozási problémákban elég jól teljesítenek ezek.
Amit leírtál az hagyományos algoritmikus képfeldolgozásnak hat, de MI-nek általában a gépi tanulásos megoldásokat nevezzük. Persze mi is eladtunk egy munkahelyen egy kéznűves szénnéoptimalizált és unit tesztelt kézzel írt döntési fát mint AI-t (Advanced If -nek csúfoltuk). Viszont az általad leírt feladatra egy felügyelt tanítással lehet valószínűleg elég nagy pontosságú megoldást összerakni nem túl nagy erőfeszítéssel, talán már egy kezdő is megoldja, ha a felcímkézett képeket odaadod neki. (nyilván a kép rögzítést kézműves kóddal kell lekódolni ugyanúgy).
