Trotz der Fortschritte im Bereich des Maschinellen Lernens sind noch viele Herausforderungen offen, z. B. das Verhalten komplexer dynamischer Systeme vorherzusagen. Um die zeitliche Entwicklung von Klimasituationen oder Strompreisen vorherzusagen, sollten eventuelles Vorwissen in die Struktur eines Neuronalen Netzwerks (NN) einfließen können und die Effekte, die es nach sich zieht, leicht nachvollziehbar sein. Dies sollte auch dann noch gelten, wenn sich Unsicherheiten oder stetige Anpassungen der Ausgangsdaten überlagern. Große NNs, die eine entsprechende Künstliche Intelligenz (KI) implementieren, mit einer ausreichenden Zahl an Parametern erscheinen hier zunächst geboten, verschleiern aber oft den Zusammenhang zwischen Ursache und Wirkung.