Mit internationalen Partnern haben wir das Paradigma der probabilistischen Numerik entwickelt, welches mathematisches Rechnen selbst als einen Lern (bzw. Inferenz-) prozess beschreibt. Auf der algorithmischen Ebene erfordert maschinelles Lernen anspruchsvolle numerische Berechnungen. Aber diese numerischen Berechnungen sind selbst auch wieder Inferenzprobleme einer elementareren Form. Numerische Algorithmen - Verfahren zur Optimierung, Integration, linearen Algebra usw. - können als autonome Lernagenten verstanden, beschrieben und analysiert werden. Zu den Vorteilen dieser Beschreibung gehört, dass sie die rechnerische Unsicherheit zu einem integralen Teil des Prozesses macht. Dies ist wichtig, weil die Berechnung großer Daten typischerweise extrem ungenau und stochastisch ist.