Die Forschung am CRIL befasst sich mit der Entwicklung intelligenter autonomer Systeme. Auf Basis verfügbarer Informationen sollen diese Systeme in der Lage sein, vernüftige Entscheidungen zu treffen um gegebene Zeile zu erreichen. Hierzu müssen sie in der Lage sein, Schlussfolgerungen zu ziehen. Die Herausforderungen beim der Konstruktion solcher Systeme haben unterschiedliche Ursachen: Zunächst sind die verfügbaren Informationen häufig heterogen und unvollständig. Sie beinhalten typerscherweise Wissen und Glauben über den Zustand der Welt in der sich befindet (zum Beispiel physikalische Gesetze aber auch Daten die von mehr oder weniger zuverlässigen Sensoren gemessen wurden). Dies beinhaltet auch Informationen über über andere Agenten in derselben Welt, die Beschreibung möglicher Aktionen und ihrere Effekte, Präferenzen der Agenten zum Zustand der Welt und der auszuführenden Aktionen. Die Unvollkommenheit der Informationen hat mehrere (korrelierte) Facetten, unter anderem Unvollständigkeit, Widersprüchlichkeit, Kontextabhängigkeit. Ausserdem gibt sind unterschiedliche Arten zu Schliessen notwending um “intelligentes” Verhalten zu similieren. Schliesslich macht die Kompaktheit von Repräsentationen oft Inferenz und Entscheidungsfindung im Allgemeinen unmöglich aufgrund der Komplexität der Berechnungen. Es ist deswegen wichtig, die Quellen der Komplexität zu identifizieren und sie wenn möglich zu umgehen durch die Entwicklung von Algorithmen, die in der Praxis effizient sind, oder Approximations- oder Kompilationsmethoden zu nutzen. Die Forschung am CRIL ist folglich in zwei Achsen eingeteilt: zum einen die Verarbeitung von unvollkommener, dynamischer, kontextabhängiger Information und solcher aus mehreren Quellen; andererseits Algorithmen für Inferenz und zum Fällen von Entscheidungen.

Um alle Schwierigkeiten, mit denen es konfrontiert ist, effektiv zu berücksichtigen, strukturiert das CRIL seine Aktivitäten nach drei miteinander verbundenen Hauptachsen: Daten, Wissen, Einschränkungen.

Seit 2018 wird die disziplinäre Forschung, die in jeder dieser drei Achsen zu spezifischen Problematiken in Bezug auf Daten, Wissen oder Einschränkungen durchgeführt wird, gemeinsam in zwei übergreifenden Aktionen genutzt: Erklärbare AI und AI im Dienste anderer Disziplinen. Wir halten es in der Tat für angebracht, das in den Achsen vorhandene breit gefächerte Fachwissen zu mobilisieren, um Synergien zu suchen und originelle und relevante Forschungsarbeiten in diesen beiden übergreifenden Themenbereichen zu entwickeln.