Ziel des Projekts »Organisches Maschinelles Lernen« (OML) ist es, das herkömmliche, starre Vorgehen beim Training und Einsatz maschinell lernender System aufzubrechen und Verfahren des maschinellen Lernens zu entwickeln, die dem organischen Lernen, insbesondere dem des Menschen, ähneln, in dem die Systeme während ihrer gesamten Lebenszeit lernen - insbesondere auch während des Einsatzes.

Die Art des Lernens soll organischer werden. Statt auf sehr großen, sauberen und gut strukturierten Trainingsdaten, die aufwendig aufbereitet werden mussten, zu lernen, sollen die in OML entwickelten System aus heterogenen, weniger oder gar nicht aufbereiteten Daten, wie sie in der Welt vorkommen, lernen und mit weniger Trainingsdaten auskommen können - ähnlich wie es beim Menschen der Fall ist. Unterschiedliche Quellen - zum Beispiel Interaktion mit Menschen und eigene Erfahrung - sollen multimodal kombiniert werden und das Lernen gezielter auf Fälle der Unsicherheit konzentriert werden. Dazu müssen die Systeme fähig sein zu erkennen, in welchen Fällen sie unsicher sind oder wo weiteres Lernen notwendig ist. Zudem sollen lernende Systeme nicht mehr nur ein »Schwarzer Kasten« sein, in deren Funktion Außenstehende keinen Einblick haben. Stattdessen sollen sie in der Lage sein, ihre Entscheidungsfindung, ihr Agieren zu erklären. Durch die Fähigkeit zur Rechtfertigung werden die Entscheidungen der Systeme für Menschen akzeptabler und ihr Einsatz für viele Anwendungen der realen Welt erst möglich.

Zuletzt sollen die entwickelten Systeme in einem robotischen Gesamtsystem zusammengeführt werden. In einem Szenario der interaktiven Roboterprogrammierung soll der Roboter von Grund auf neue Fähigkeiten erlernen, indem er aus physischer, visueller und verbaler Interaktion mit dem Menschen sowie eigener Erfahrung lernt - ähnlich wie ein Lehrling von seinem Meister gelehrt wird.