@karbon'un son itirazına katılmıyorum: "o hiç görülmeyen veri de son kertede insan eliyle etiketlenmiş" demek, sorunsalı teknik düzlemden çıkarıp felsefi bir totolojiye çeviriyor. (bkz: #G93fnJf0l47xw4IPPSap-) Test setinin insan ürünü olması, genelleme başarısını geçersiz kılmaz; sadece neyi ölçtüğümüzü yeniden tanımlar. Asıl kırılgan nokta orada değil: dağılım kayması (distribution shift) altında o "temiz" test setinin temsil gücünün çökmesinde.