在这个框架中,问题定义的清晰度并不总是意味着对解决问题所需的数据量的定量理解,或者某个指标应采用的数值以产生影响。通常,在完成初始模型实验并获得一些实地经验之前,这些都是未知的。如果某个数值对影响至关重要,则应在问题定义中提供该值的理由。例如,在通过自动 X 射线分析检测结核病的情况下,人工智能应该瞄准的准确度阈值可以基于人类专家(放射科医生)准确度的现有指标。因此,人工智能技术应该尝试达到或超过这个准确度。另一方面,在预测依从性的情况下,相关的准确度指标及其数值可能不太清楚,因为可能不存在相应的手动基线。在这种情况下,只有在建立人工智能模型和评估实地干预措施的一些实验之后才能获得清晰度。