Raziskovalni dosežki tega programa sodijo na področje umetne inteligence, oz. natančneje na področja strojnege učenja, inteligentne analize podatkov, avtomatskega modeliranja ter kvalitativnega sklepanja. Nekateri od teh rezultatov so splošnega osnovnega pomena za razvoj teh področij umetne inteligence, nekateri dosežki pa so aplikativno usmerjeni, pri čemer so pri delu sodelovali tudi strokovnjaki za področja aplikacij. Tretjo skupino rezultatov tvorijo programska orodja in platforme, ki implementirajo razvite metode in podpirajo njihov prenos v prakso. Tukajšnja predstavitev, ki navaja tudi nekatere ključne objave, sledi tej razdelitvi. - Metoda funkcijske dekompozicije, implementirana v programu HINT. Glavna prednost te metode je njen pristop h konstruktivni indukciji in gradnji hierarhij konceptov. V domenah, kjer obstajajo koristni vmesni koncepti, daje ta metoda v primerjavi z obstoječimi metodami učenja spektakularna izboljšanja v pogledu klasifikacijske točnosti. (http://magix.fri.uni-lj.si/hint; Zupan in sod., Artificial Intelligence Journal, 1999; Bohanec in Zupan, Decision Support Systems, 2003) -Nov pristop k strojnemu učenju, učenje t. i. kvalitativnih dreves, implementiran v programskem sistemu QUIN. Metoda omogoča kvalitativno identifikacijo sistemov iz izmerjenih, lahko šumnih podatkov o obnašanju sistema. Ta sistem je bil bistven za sodelovanje te raziskovalne skupine v evropskem projektu Clockwork (Šuc, monografija, IOS Press, 2003; Bratko in Šuc, AAAI Magazine, 2003). -Nov pristop k strojnemu učenju iz numeričnih podatkov, imenovan Q2 learning (qualitative faithful quantitative learning), ki kombinira učenje kvalitativnih dreves s t.i. kvalitativno-kvantitativno transformacijo (Q2Q transformation). Pristop je bil uporabljen v evropskem projektu Clockwork pri optimizaciji zahtevnega modela dinamike avtomobila firme INTEC (Šuc, Vladušič in Bratko, Artificial Intelligence Journal, 2004). -Analiza razumljivosti odločitvenih dreves glede na metodo ocenjevanja atributov in interpretacija ocen z metodama ReliefF in RReliefF, ki smo jih razvili za ocenjevanje soodvisnih atributov pri klasifikaciji in pri regresiji. Ti dve metodi sodita danes med najboljše komponente strojnega učenja (Robnik in Kononenko, Machine Learning Journal, 2003). -Razvoj in analiza splošne transduktivne metode za ocenjevanje zanesljivosti predikcij (Kukar in Kononenko, 2002). -Pristop k obravnavanju problemov analize preživetja (Zupan in sod., Artificial Intelligence in Medicine, 2001). -Razvoj pristopa GenePath k odkrivanju regulacijskih mrež iz genetskih podatkov. Pristop temelji na abduktivnem logičnem sklepanju ter podpira razlago rezulatatov in predlaganje novih eksperimentov (http://genepath.org; Zupan in sod., Bioinformatics, 2003; Artificial Intelligence in Medicine, 2003)