«Training Dataset Rollback Criteria» در دسته هوش مصنوعی به داده آموزشی معیار rollback اشاره دارد و با داده آموزشی، مدل، ارزیابی، inference، drift، توضیح‌پذیری و کنترل ریسک خروجی مرتبط است. در این اصطلاح، محور اصلی «داده آموزشی» است و بخش «معیار rollback» یعنی شرایطی که نشان می‌دهد باید تغییر متوقف یا به وضعیت قبلی برگردانده شود. این مفهوم زمانی کاربردی می‌شود که تیم بخواهد درباره طراحی، اجرا، نگهداری یا عیب‌یابی یک قابلیت تصمیم دقیق‌تری بگیرد و بداند چه داده‌ها، محدودیت‌ها، مسئولیت‌ها و ریسک‌هایی باید دیده شوند. در عمل می‌تواند در کارهایی مثل آماده‌سازی داده، ارزیابی مدل، استقرار inference و پایش خروجی استفاده شود و کمک کند تصمیم‌ها فقط بر اساس حدس یا تجربه پراکنده گرفته نشوند. مزیت مهم آن این است که مرز مالکیت، معیار موفقیت، مسیر بازگشت، اثر تغییر و نیازهای پایش روشن‌تر می‌شود؛ بنابراین پیاده‌سازی قابل نگهداری‌تر، مستندتر و قابل اعتمادتر خواهد بود. برای ورود به دیکشنری، این واژه را می‌توان به عنوان یک اصطلاح تخصصی در هوش مصنوعی در نظر گرفت که برای آموزش تیم، طراحی معماری، کنترل کیفیت و گفت‌وگوی دقیق‌تر میان نقش‌های فنی مفید است.