În lucrarea „Microeconomie avansată. Economia informației” sunt tratate, printre altele, atitudinea agenţilor economici faţă de risc, cererea de asigurare şi influenţa impozitării venitului unui agent economic asupra economisirii, teoria echilibrului general, contracte cu informaţie sintetică, mecanismul optim de plăţi şi nivelul optim de efort. Manualul conține o ilustrare geometrică a problemei de risc moral, precum și modele de selecţie adversă (antiselecție).

Această lucrare se adresează studenţilor de la cursurile de masterat în diferite specializări economice, care au în programa curriculară Macroeconomia şi care au parcurs în pregătirea de licenţă cursul Fundamente ale macroeconomiei.

Cartea este utilă doctoranzilor în economie, cercetătorilor, specialiştilor în alte ştiinţe şi profesii care sunt interesaţi de aprofundarea corelaţiilor cantitative din economie, de echilibrele şi dezechilibrele macroeconomice, de dinamica deficitelor bugetare, a creşterii economice, a managementului ratei de schimb, a solvabilităţii publice, a stabilităţii macroeconomice, precum şi a politicilor guvernamentale şi monetare şi consistenței acestora.

Lucrarea abordează analiza cantitativă microeconomică într-o manieră graduală, de la simplu la complex. Sunt tratate probleme legate de deciziile optime ale agenţilor economici consumatori şi producători, comportamentul acestora în condiţii de certitudine şi, respectiv, de risc şi incertitudine, echilibrul pe piaţă şi echilibrul economic. Aspectele teoretice sunt însoţite de exemple concrete, fiecare capitol conţine aplicaţii rezolvate şi probleme propuse.

Prin tematica tratată, lucrarea se adresează studenților ciberneticieni, dezvoltând, prin informațiile oferite, aptitudinile de analist în domeniul conducerii proceselor din economia de piață, dar se adresează și celor care doresc să cunoască mecanismele economice de piață și evoluția diferiților indicatori micro și macroeconomici.

Prin inteligenţă artificială (AI-Artificial Intelicence) se înțelege orice tehnică care permite calculatoarelor să imite comportamentul uman, inclusiv învăţarea maşinii, procesarea limbajului natural (NLP), sinteza limbajului, „viziunea” computerului (programarea computerului pentru a„vedea”), robotica, analiza senzorilor, optimizarea şi simularea.
În acest context, Machine Learning (ML – învăţarea automată) constituie un subset de tehnici de AI care permite sistemelor informatice să „înveţe” din experienţa anterioară (adică din observaţiile de date), având ca efect îmbunătăţirea operaţiunilor pentru o anumită sarcină. Tehnicile ML includ Support Vector Machines (SVM), arbori de decizie, învăţare Bayes, k-means clustering, reguli de asociere, regresie, reţele neuronale şi multe altele.