De laatste twintig jaar kenden een snelle groei van grafische modellen in artificiële intelligentie en statistiek. Deze modellen combineren grafen en waarschijnlijkheidsrekening om complexe multivariate problemen aan te pakken. Omdat de informatie die over een fysisch systeem bekomen wordt vaak niet precies en onzeker van aard is, blijft het echter een uitdaging om de waarschijnlijkheden exact te bepalen. Als gevolg van deze “overprecisie” worden vaak te sterke en slecht onderbouwde conclusies getrokken. Omdat waarschijnlijkheden tekort schieten, stellen we een nieuw model voorop ter vervanging van klassieke waarschijnlijkheden. Dit model wordt een “coherente verzameling van aanvaardbare gokken” genoemd. Dit model heeft een duidelijke interpretatie en er is een algoritme om het model te bepalen. In onze imprecieze grafische netwerken, gebruiken we deze verzamelingen van aanvaardbare gokken in de plaats van waarschijnlijkheden. Op die manier zijn we in staat om beslissingen te nemen aan de hand van data, gelijkaardig aan hoe een expert dat zou doen. Nog belangrijker is dat we ook onbeslist kunnen zijn wanneer de data het niet toelaat om tot een eenduidige conclusie te komen. Indien dit het geval is, dan vertelt ons algoritme je eigenlijk dat je extra onderzoek moet doen naar de bronnen die voor onzekerheid zorgen.