Zazwyczaj model uczenia maszynowego jest szkolony na podstawie danych, które zna, i ma za zadanie podać szacunkowe dane, których nie widział. Podczas indeksowania danych szacunek jest nie do przyjęcia. Jedynym zadaniem indeksu jest znalezienie dokładnej lokalizacji niektórych danych w pamięci. Natychmiastowa sieć neuronowa (lub inny uczący się komputer) nie zapewni tego poziomu precyzji. Google rozwiązał ten problem, śledząc maksymalny (najbardziej pozytywny) i minimalny (najbardziej negatywny) błąd występujący w każdym węźle podczas treningu. Używając tych wartości jako granic, indeks ML może przeprowadzić wyszukiwanie w tych granicach, aby znaleźć dokładną lokalizację elementu.