Esistono numerosi vantaggi nell'utilizzo di un modello di rete neurale, in particolare il fatto che la rete è adattabile a un'ampia gamma di parametri e requisiti di dati, oltre al fatto che sono facili da usare e richiedono statistiche minime formazione. Inoltre, le reti neurali hanno la capacità di apprendere (in un senso limitato), rendendole il modello più vicino a disposizione di un operatore umano.
Le reti neurali sono abbastanza avanzate da rilevare anche eventuali relazioni complesse tra input e output, il che è un altro vantaggio quando si utilizza questo modello.
Naturalmente, le reti neurali non sono prive dei loro svantaggi. A causa della natura complessa e avanzata del modello, sono molto difficili da progettare, ad esempio.
Anche se l'adattabilità e la sensibilità di una rete neurale sono sicuramente un vantaggio, hanno anche problemi. Dato che una rete neurale reagirà anche ai più piccoli cambiamenti nei dati, spesso può essere molto difficile modellizzare analiticamente come risultato.
L'esecuzione di una rete neurale richiede anche un'enorme quantità di risorse di elaborazione, il che la rende costosa, e probabilmente non pratica, per alcune aziende e applicazioni.
Inoltre, mentre le reti neurali sono eccellenti e scricchiolano grandi quantità di dati, questo vantaggio diminuisce rispetto alle dimensioni di un campione di dati. Piccoli campioni, ad esempio, non verranno utilizzati efficacemente poiché la rete funziona meglio con campioni di grandi dimensioni.
