Die ML-Lösung wurde auf der Grundlage so genannter Ensemble-Methoden entwickelt. Dabei werden statt eines einzelnen (prädiktiven) Modells, wie beispielsweise ein Entscheidungsbaum oder ein neuronales Netz, eine Menge solcher Modelle trainiert, z.B. ein Random Forest oder ein Ensemble neuronaler Netze. Jedes dieser Modelle ist in der Lage, eine neue Anfrageinstanz probabilistisch zu klassifizieren, also Aussagen über die aleatorische Unsicherheit zu machen. Die grundlegende Idee besteht darin, dass sich der epistemische Anteil der Unsicherheit in der „Diversität“ der einzelnen Vorhersagen manifestiert.

Diese Idee wurde unter Verwendung informationstheoretischer Konzepte formal ausgearbeitet, um konkrete numerische Maße der aleatorischen und epistemischen Unsicherheit berechnen zu können. Unterschiedliche Formen von Entropiemaßen spielen hierbei eine wichtige Rolle. Alternativ wurden Konzepte basierend auf verallgemeinerten Unsicherheitskalkülen zur Quantifizierung von Unsicherheit verwendet.

Die Güte quantifizierter Unsicherheiten lässt sich nicht einfach bestimmen, vor allem mangels einer (beobachtbaren) „Wahrheit“, also einem korrekten Maß an Unsicherheit. Vorhersagen über die Unsicherheit wurden daher indirekt evaluiert, indem sie für eine bestimmte Aufgabe, wie beispielsweise die Enthaltung (Verweigern einer Vorhersage) eingesetzt wurden. Eine wichtige Anwendung ist das aktive Lernen, wo es darum geht, aus einem gegebenen Pool von Instanzen möglichst solche Trainingsbeispiele zu wählen, die für das Lernverfahren besonders informativ sind und zu signifikanten Verbesserungen führen.