في تعدين الذهب، تمر أطنان من الصخور غير المرغوب فيها عبر منخل للعثور على ذرة من المعدن. وبالمثل، في التعلم الآلي، تولد نماذج اللغة الكبيرة العديد من الإجابات، ويتحقق من كل منها الشبكات العصبية (Neural Networks) مقيمة مكلفة (وحي - برنامج يعطي تقييمًا دقيقًا). تشبه العملية خط تجميع حيث تستهلك كل خطوة موارد.

طبق العلماء حيلتين قديمتين من عالم قواعد البيانات. الأولى: عدم التحقق من جميع الإجابات بالتتابع. كما يأخذ الجيولوجي عينات من التربة، هنا: باستخدام عدة إجابات عشوائية، يحسب المتوسط ويتابع فاصل الثقة (المجال الذي تقع فيه القيمة الحقيقية). عندما يتوقف التشتت عن التغير الكبير، يوقف التحقق. هذه طرق مونتي كارلو تقلل عدد استدعاءات الوحي عدة مرات.

الطريقة الثانية: وضع «منخل» سريع في البداية. على مجموعة صغيرة من الإجابات المفحوصة مسبقًا، يدرب نموذجًا بديلًا (بديل خفيف للوحي). ينظر هذا النموذج إلى ميزات بسيطة — طول النص، وجود أرقام — ويستبعد الخيارات الضعيفة فورًا. لا يستدعى الوحي إلا للخيارات المتبقية. يشبه هذا النهج غسل رمل الذهب: أولاً، يغسل الماء الصخور الخفيفة، ثم يبحث عن الذرات في البقايا الثقيلة. كل هذا يعمل فوق التعلم المعزز (طريقة تتعلم فيها النماذج من التقييمات)، لكنه يجعله أكثر كفاءة.

كل هذه العمليات العشوائية تحول المسح البطيء إلى عملية سريعة — مثل فاصل آلي في منجم ذهب. تمنح طرق معالجة الاستعلامات القديمة حياة جديدة لتدريب الشبكات العصبية.