Optimální zpracování distribuované znalosti je klíčové pro strojové učení, zpracování signálů a řízení. Vyžadují jí sítě čidel, chytrých prostředí, autonomní agenti i distribuované infrastruktury (shluky, internet) sloužící internetu věcí. Uzly mohou komunikovat pomocí částečně popsaných pravděpodobnostních distribucí (momenty, atp). Má-li je vzdálený či centrální uzel zpracovat potřebuje stochastický model závislostí, který je však zřídka k dispozici. Proto distribuované rozhodování využívá tradiční entropické metody, nedávno rozšířené pomocí plně pravděpodobnostního návrh (PPN) rozhodovacích strategií. Pro rozšíření byla užita omezující podmínka konečné parametrizace uzlů. Pro plnou využitelnost je nutné ji opustit a navíc je nutno navrhnout jak konzistentně přiřazovat váhu vzdáleně vzniklé informaci. To povede k použitelnosti v průběžném zpracování signálů a distribuované (kalmanovské) filtraci dovolující znáhodněné prozkoumávání návrhového prostoru a doplňující návazná rozhodnutí o kvantifikovaný popis jejich neurčitosti.