Automatiseret læring (machine learning) vinder udbredelse til løsning af mange praktiske problemer. Metoderne fokuserer på at lære fra større mængder kendt data og derudfra foreslå god respons til nye lignende problemstillinger. Man kan opnå gode resultater i almindeligt forekommende situationer, men det er også et kendt problem, at det kan gå helt galt på afvigende data. Omvendt forholder det sig med klassisk analyse indenfor såkaldte online algoritmer. Her er fokus på absolutte garantier for kvaliteten af respons, hvilket er vigtigt ifm. planlægning og sikkerhed, men det nødvendiggør også fokus på afvigende, ikke ofte forekommende situationer. Med garantier som ens algoritmiske designmål kommer der mindre fokus på de mest frekvente situationer. I dette projekt vil vi kombinere automatiseret læring og online algoritmer. Vi vil designe online algoritmer, der kan bruge automatiseret læring som en lukket delkomponent. Komponenten vil fungere som en slags rådgiver, der ofte lyttes til, men ikke ukritisk, da vi netop ønsker minimumsgarantier fra det samlede system. Online-algoritme-gruppen på SDU er førende indenfor online algoritmer og specielt indenfor kvalitetsmål, herunder advice-kompleksitet, som også er komponentbaseret. Vi har derfor et enestående udgangspunkt for det foreslåede arbejde. De konkrete problemstillinger, der arbejdes med, fokuserer på resource-optimering, og algoritmiske forbedringer leder derfor til mindre materialespild, forurening eller energiforbrug.
