Vores fokus er på at forbedre optimeringsalgoritmer i online beslutningstagning. Ved at anvende teknikker fra online algoritmer til løsning af optimeringsproblemer kan vi give garantier for værst tænkelige scenarier, men den normale (gennemsnitlige) adfærd kan være utilfredsstillende. Ved hjælp af teknikker fra maskinlæring kan vi ofte opnå god adfærd i praksis, men garantier mangler, især for situationer, der ikke er dækket af træningsdataene. Vi sigter mod at kombinere de bedste egenskaber fra disse to områder.

Søgningen efter nærmeste naboer er essentiel, men ofte ineffektiv i applikationer som klyngeanalyse og klassificering, især med høj-dimensionelle big data. Traditionelle metoder bliver upraktiske på grund af dimensionernes forbandelse, hvilket gør metoder til omtrentlige nærmeste naboer (ANN) til et hurtigere alternativ på trods af deres upræcise resultater. ANN-metoder forbedrer markant behandlingstiden og påvirker algoritmiske beslutningsprocesser ved at introducere kompromiser i nøjagtighed, bias og troværdighed, som nøje skal overvejes for forskellige anvendelsestilfælde.

AI ændrer vores samfund radikalt, og den vigtigste drivkraft bag nye AI-metoder og systemer er maskinlæring. Maskinlæring fokuserer på at finde løsninger på – eller mønstre i – nye data ved at lære af relevante eksisterende data. Derfor anvendes maskinlæringsalgoritmer ofte på store datasæt, hvor de mere eller mindre autonomt finder gode løsninger ved at finde relevant information eller mønstre, der er skjult i dataene.