Machine learning-modellen worden steeds vaker gebruikt om beslissingen te nemen die een directe impact hebben op mensen. In toepassingsdomeinen zoals medische diagnostiek, juridische besluitvorming, politieonderzoeken, afwijzingen van verzekeringen of leningen, beoordelingen met betrekking tot milieu- of landbouwvergunningen, enz. zijn de gevolgen van het nemen van een verkeerde beslissing groot. Daarom moeten betrouwbare machine learning-systemen niet alleen nauwkeurige voorspellingen doen, maar ook een geloofwaardige weergave van hun onzekerheid bieden. Hoewel de grootte van datasets de afgelopen tien jaar enorm is toegenomen, is er een vergelijkbare toename te zien in de complexiteit van de voorspellingen die we willen doen. Met de opkomst van generatieve AI, waarbij voorspellingen worden gekenmerkt door een ongekende mate van structuur en complexiteit, wordt het voorstellen en kwantificeren van onzekerheid een serieuze uitdaging. Aan de andere kant bieden technologische verbeteringen in allerlei meetinstrumenten en slimme apparaten ons tegenwoordig de mogelijkheid om dingen te meten die voorheen niet meetbaar waren, wat kansen biedt om onzekerheid in veel situaties te verminderen.