Bir yapay zeka sisteminin iyileşip iyileşmediğini söyleyebilmek için sabit, güvenilir ve temsil gücü olan bir ölçüm zeminine ihtiyaç vardır. Bu zemin yoksa her sürüm değişikliği izlenimlerle tartışılır, birkaç örnek üzerinden karar verilir ve gerileme fark edilmez. Değerlendirme seti hazırlamak ise göründüğünden zordur: örneklerin gerçek kullanımı yansıtması, zorluk dağılımının dengeli olması ve setin eğitim verisine sızmamış olması gerekir. Üç modüllük program, gerçekçi bir kullanım senaryosu üzerinde uygulamalı ilerler. Katılımcılar değerlendirme hedefini ve kapsamı belirler, kenar durumları da içeren dengeli bir örnek havuzu oluşturur, uzman katılımıyla altın standart yanıtları ve değerlendirme ölçütlerini yazar. Son modülde otomatik ve insan değerlendirmesinin birlikte kullanımı, model karşılaştırma protokolü ve setin yenileme takvimi çalışılır. Çıktı, sürümlenmiş bir değerlendirme seti ve kıyaslama protokolüdür.