DNV认为，人工智能和机器学习将在未来的安全关键系统中发挥关键作用。该项目旨在开发实际算法以及在高风险环境中安全实施所需的理论结果。
人工智能(AI)和基于机器学习(ML)的数据驱动决策正在对越来越多的行业产生影响。随着这些自主和自我学习系统越来越多地负责做出最终可能影响人员、资产或环境安全的决策，确保系统中人工智能的安全使用将成为安全管理和运营的关键。
用于高风险和安全关键应用的机器学习具有挑战性，因为由于潜在的灾难性后果，对错误预测的容忍度降低。与数据吻合良好的模型通常是不透明的，这使得它们的可证伪性较低，难以信任。此外，通常缺乏相关数据，对不确定性的适当处理是必不可少的，因为DNV不仅关心可能发生的事情，而且还关心可能发生的不太可能的事件。然而，也有一些积极的一面——即，通常有额外的因果和基于物理的知识可用。
“不可能的事情永远不会发生是不可能的”
该项目将开发实用算法，结合来自现象学知识的因果关系信息(取决于什么)，来自数据的相关性信息(多少)，以及在高风险环境中安全实施AI/ML系统所需的理论结果。
它将通过结合从现象学知识中获得的因果约束和概率机器学习来帮助实现这一目标。例如，使用诸如“更强的材料意味着更高的容量”等标准来获得符合物理定律的机器学习模型。它还将利用合成(模拟)数据来缩小现有数据集的差距，同时通过设计构建因果依赖关系，将经典的人工智能专家系统方法与基于ML的现代方法相结合。
这将取决于主动学习的发展，通过ML系统通过提出正确的问题或进行最佳实验来自我改进。当从有限的观察集合中学习时，以及在涉及不确定性下的最佳决策的应用程序中使用时，这是必不可少的。
目前AI/ML的大多数应用都与低后果场景有关，但该项目旨在开发一个适合在高风险环境中安全实施的框架。DNV特别关注如何将现象学知识纳入概率机器学习模型，以及在不确定性下使用主动学习进行最优决策。
DNV认为，人工智能/机器学习未来将在安全关键系统中发挥重要作用，以安全方式处理这一问题的能力提供了巨大的市场潜力。
