تعتبر عملية تقييم عدم اليقين من الأمور الجوهرية لضمان موثوقية توقعات تعلم الآلة (Machine Learning)، خاصة في التطبيقات التي تتطلب مستوى عالٍ من الأمان. في هذا السياق، يسلط البحث الضوء على المقارنات المفاهيمية بين تقييم عدم اليقين في تعلم الآلة وعلوم القياس، مستندًا إلى تطور قياس المعايير من الأساليب المعتمدة على الأخطاء إلى الإطار الذي وضعه دليل التعبير عن عدم اليقين في القياس (GUM).

ينبغي إيلاء اهتمام خاص للتفريق بين جودة المستوى العملي والمستوى الناتج، بالإضافة إلى القيود المفروضة على التصنيف التقليدي لعدم اليقين في تعلم الآلة إلى مكونات عشوائية ومعرفية. حيث يُجادل بأن هذه الثنائية، تمامًا كما هو الحال في التمييز التقليدي بين الأخطاء العشوائية والنظامية في القياس، تعتمد بشكل جوهري على النموذج وتوفر قاعدة غير كافية لتطوير إطار موحد لتقييم عدم اليقين.

بالإضافة إلى ذلك، يتم التعرف على مزيد من التشابهات بين الذكاء الاصطناعي ومجال المعرفة الخاص بالقياس فيما يتعلق بتغيرات التوزيع، وظروف التشغيل الشاذة، وصحة تقييم عدم اليقين. بناءً على هذه الاعتبارات، يدعو البحث إلى اتباع نهج مستوحى من القياس يعتمد على التعرف المنهجي، والتحديد، ونقل مساهمات عدم اليقين.

من خلال توسيع المنهجية التي تم وضعها بالفعل في علوم القياس لتشمل تعلم الآلة، يمكن أن يوفر هذا النهج إطارًا صارمًا ومتسقًا وقابلًا للتحويل لتقييم موثوقية التوقعات الفردية.