การจัดตารางงานให้ดาวเทียมสังเกตการณ์โลกเป็นปัญหาที่ซับซ้อน เนื่องจากข้อจำกัดทางวิศวกรรม เช่น พลังงานหรือความร้อน มักถูกฝังอยู่ในระบบจำลอง (Simulators) แทนที่จะเป็นโมเดลคณิตศาสตร์ที่ชัดเจน งานวิจัยนี้จึงนำเสนอแนวทาง Conservative Constraint Acquisition (CCA) ซึ่งใช้การเรียนรู้ผ่านการโต้ตอบเพื่อระบุข้อจำกัดที่แท้จริงทีละน้อยในขณะที่ทำการหาค่าที่เหมาะสมที่สุด (Optimization)
ระบบนี้ถูกนำมาใช้งานในเฟรมเวิร์ก Learn&Optimize ซึ่งให้ผลลัพธ์ที่ดีกว่าวิธีการแบบเดิมอย่างเห็นได้ชัด โดยเฉพาะในสถานการณ์ที่มีงานจำนวนมาก (สูงสุด 50 งาน) โดยสามารถลดช่องว่างความผิดพลาดลงได้มาก และที่สำคัญคือใช้เวลาในการประมวลผลน้อยกว่าและสอบถามข้อมูลจากระบบจำลองน้อยลงถึง 5 เท่า เมื่อเทียบกับวิธีมาตรฐานเดิม
