मानक न्यूरल नेटवर्क एकल बिंदु अनुमान आउटपुट करते हैं, जैसे $385,000 का घर की कीमत, जो अंतर्निहित अनिश्चितता को छिपाता है। यह निर्णय लेने को सीमित करता है, क्योंकि MAE जैसे मेट्रिक्स केवल डेटासेट में औसत त्रुटि को दर्शाते हैं, व्यक्तिगत भविष्यवाणियों में विश्वास नहीं। बेयesian न्यूरल नेटवर्क (BNN) संभावित मानों की एक श्रृंखला का अनुमान लगाकर और मॉडल विश्वास को मात्रात्मक रूप से निर्धारित करके इसे संबोधित करते हैं। 'अनुमानित मान क्या है?' पूछने के बजाय, BNN उत्तर देते हैं 'संभावित मानों की श्रृंखला क्या है, और हम कितने निश्चित हैं?' यह बदलाव स्वचालित मूल्यांकन जैसे अनुप्रयोगों में बेहतर जोखिम-जागरूक निर्णयों को सक्षम बनाता है। BNN को लागू करने में भार वितरण को पैरामीटराइज़ करना और विचरणशील अनुमान का उपयोग करना शामिल है, क्योंकि हजारों पैरामीटर वाले नेटवर्क के लिए सटीक बेयesian गणना असाध्य है। लेख प्रमुख इंजीनियरिंग विकल्पों को स्पष्ट करने के लिए कैलिफ़ोर्निया हाउसिंग डेटासेट और Python नोटबुक का उपयोग करता है, जैसे पूर्व चयन और अनुमान विधियाँ। प्रत्येक नोटबुक एक डिज़ाइन निर्णय पर प्रकाश डालती है, इस बात पर ज़ोर देते हुए कि उत्पादन प्रणालियों को कई रणनीतियों को संयोजित करना चाहिए। चर्चा किया गया एक मुख्य अवधारणा अनिश्चितता मात्रात्मक निर्धारण है, जो एपिस्टेमिक अनिश्चितता (अनदेखे डेटा के कारण मॉडल अज्ञानता) और एलियाटोरिक अनिश्चितता (अंतर्निहित डेटा शोर) के बीच अंतर करती है। हालांकि दार्शनिक रूप से अलग, शोध दिखाता है कि ये अनिश्चितताएँ व्यवहार में अक्सर गणितीय रूप से आपस में जुड़ी होती हैं, जो स्वच्छ पृथक्करण को जटिल बनाती हैं। लेख इस बात पर ज़ोर देता है कि इन ट्रेड-ऑफ़ को समझना विश्वसनीय AI सिस्टम बनाने के लिए आवश्यक है जो जानते हैं कि अपनी भविष्यवाणियों पर कब भरोसा करना है या संदेह करना है।