Uma entrada percorre o modelo em etapas curtas. Primeiro, cada informação é registrada — por exemplo, os atributos de um exemplo, como vimos no capítulo anterior. Em seguida, cada informação é multiplicada pelo seu peso e os resultados são somados. Essa soma é comparada com um limiar interno: se ultrapassa, o modelo indica uma resposta; se não, indica outra.
O resultado desse percurso é a previsão. Ela não é uma cópia da entrada nem uma regra consultada: é o produto da combinação entre o que entrou e os pesos que estavam guardados. Por isso, a mesma entrada pode gerar previsões diferentes em momentos diferentes — basta que os pesos tenham mudado entre um momento e outro.
Esse é o ponto que fecha o capítulo: como a previsão depende dos pesos, ajustar os pesos é ajustar o comportamento do modelo. Aprender é exatamente esse ajuste, repetido muitas vezes. Como o modelo descobre para onde girar cada botão é o assunto do próximo capítulo.