La quantification d’incertitude est un vaste domaine dépassant celui de l’intelligence artificielle. À la frontière entre mathématiques et informatique, l’objectif est de modéliser et quantifier l’incertitude d’une source. D'abord, pour ce qui est des labels (étiquettes attribuées aux observations en classifciation),  ils sont souvent obtenus auprès d’humains et il est parfois plus intéressant de modéliser l’incertitude dans les labels en entrée plutôt que de récolter des labels bruités, qui vont dégrader les performances des modèles. La difficulté réside donc dans le fait de modéliser au mieux ces labels. Ensuite, l’incertitude du modèle lui-même est cruciale pour toutes les taches suivantes (prédiction, prise de décision, apprentissage incrémental/actif…). L’hésitation du modèle peut s’avérer informative et de nombreuses techniques peuvent être appliquées pour modéliser cette incertitude, sous différentes formes. Comprendre et expliquer la prédiction d’un modèle fait partie des grands défis de l’intelligence artificielle.