Ebben a fejezetben megpróbáljuk értelmezni a jelent, megérteni a múltat és esetleg megjósolni a jövőt, még akkor is, ha igencsak kevéssé kristálytiszta.

A bizonytalan környezetben lévő ágenseknek – a logikai ágensekhez hasonlóan – képesnek kell lenniük környezetük aktuális állapotának nyomon követésére. Ezt a feladatot nehezebbé teszi a részleges és zajos érzékelés, és az a bizonytalanság, ahogyan a környezet az idő előrehaladtával változik. Az ágens a legjobb esetben is a jelenlegi helyzetnek csak egy valószínűségi értékeléséhez képes hozzájutni. Ez a fejezet olyan reprezentációkat és következtetési algoritmusokat ír le, amelyek lehetővé teszik ezt az értékelést, a 14. fejezetben bemutatott ötletekre építve.

Az alapvető megközelítés leírása a 15.1. alfejezetben szerepel: egy változó világot úgy modellezünk, hogy a világ állapotának minden vonatkozására, minden időpillanatban egy valószínűségi változót használunk. Ezen változók közti kapcsolatok írják le az állapot fejlődését. A 15.2. alfejezet meghatározza az alapvető következtetési feladatokat, és leírja az időbeli modellekhez tartozó következtető algoritmusok általános struktúráját. Ezután három különbözőfajta modellt írunk le: a rejtett Markov-modelleket (hidden Markov model), a Kalman-szűrőket (Kalman filters) és a dinamikus Bayes-hálókat (dynamic Bayesian networks) (ami mint speciális aleseteket magában foglalja a rejtett Markov-modelleket és a Kalman-szűrőket). Végül a 15.6. alfejezet bemutatja, miként alkotják az időbeli valószínűségi modellek a modern beszédfelismerő rendszerek magját. Ezen modellek mindegyikének létrehozásában központi szerepet tölt be a tanulás, de a tanulási algoritmusok részletes vizsgálata a VI. részre marad.