Las estrategias basadas en el flujo de datos que buscan mejorar la comprensión de los resultados basados en A.I. son examinadas aquí mediante la cuidadosa curación y monitoreo del flujo de datos hacia, por ejemplo, redes neuronales artificiales y modelos supervisados de bosques aleatorios. Si bien estos modelos poseen estructuras y procedimientos de ajuste relacionados que son altamente complejos, la restricción cuidadosa de los datos utilizados por estos modelos puede proporcionar información sobre cómo interpretan las estructuras de datos y los conjuntos de variables asociados y cómo son afectados por diferentes niveles de variación en los datos. El objetivo es mejorar nuestra comprensión de los resultados basados en modelos supervisados de A.I. y su estabilidad en diferentes fuentes de datos. Se sugieren algunas pautas para tales ajustes en la primera etapa y problemas de datos relacionados.