Točnost opisuje, kako pogosto model UI daje pravilne rezultate; stabilnost opisuje, kako zanesljivo ta zmogljivost ostaja – ob rahlo spremenjenih vnosih, z novimi podatki ali skozi čas. Model je lahko pri preizkusu zelo točen, a nestabilen, če že preoblikovanje vprašanja vodi do drugačnega odgovora. Za uporabo v praksi se obe lastnosti preverjata s fiksnimi testnimi primeri, navzkrižnim preverjanjem in stalnim spremljanjem.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevRobustnost modela opisuje, kako zanesljivo model UI deluje, kadar so vhodni podatki šumni, nepopolni, nenavadni ali namerno izmaličeni. Robusten model še vedno daje stabilne rezultate, na primer pri prepoznavanju slik v slabi svetlobi ali kadar jezikovni model obravnava tipkarske napake. Robustnost ocenjujemo s stresnimi testi, raznolikimi podatki za učenje in preizkusi proti namernim poskusom zavajanja; posebej je pomembna pri aplikacijah, kritičnih za varnost.
Odmik modela je postopno slabšanje napovedne kakovosti modela med delovanjem, ker se resničnost spreminja v primerjavi s podatki za učenje. Ločimo spremembe vhodnih podatkov (odmik podatkov) in spremembe razmerja med vhodi in rezultati (odmik konceptov). Primer: model za zaznavanje goljufij spregleda nove goljufive sheme. Rešitev sta stalno spremljanje metrik in redno ponovno učenje.
Navzkrižno preverjanje je metoda za preverjanje, kako dobro model posplošuje na nove, še nevidene podatke. Pri k-kratnem navzkrižnem preverjanju se podatki razdelijo na k delov; model se k-krat nauči na k−1 delih in vsakič preizkusi na preostalem delu, nato se rezultati povprečijo. To pomaga odkriti čezmerno prilagajanje ter pošteno primerjati modele ali nastavitve, zlasti kadar je podatkov malo.
Primerjalno testiranje (benchmarking) na področju UI pomeni sistematično primerjanje modelov ali sistemov z opredeljenimi nalogami in merili. Javna primerjalna merila merijo na primer splošno znanje, sklepanje ali programerske sposobnosti; za praktično uporabo pa so najpomembnejši testni primeri iz lastnega vsakdanjega dela. Tipična merila so pravilnost, popolnost, odzivni čas in stroški. To pomaga odločiti, ali je manjši, cenejši model za nalogo dovolj dober.
