機器學習的模型訓練完成后，需要經過反覆的探索調校，What-If Tool不需撰寫任何程式碼，就能探索機器學習模型，讓非開發人員眼能參與模型調校工作。

What-If Tool顯示一組250張面部圖片及其檢測微笑模型的結果。

Google推出開源TensorBoard網頁應用程式的新功能What-If Tool，讓使用者在不需要撰寫任何程式碼的情況下，檢測機器學習模型，使用視覺化互動介面，探索模型結果。

建構有效的機器學習系統有很多面向需要注意，除了演算法和效能表現外，資料也是一個良好機器學習應用的根本要素，TensorFlow官方早前釋出了TensorFlow資料驗證（TensorFlow Data Validation，TFDV）工具，來幫助開發者進行大規模資料分析與驗證。而Google也提到，機器學習的模型訓練完成后，仍然可能存在許多問題，需要經過反覆的探索調校。

Google認為，一個優秀的開發人員，應該要可以對自己訓練出來的機器模型，回答幾個問題，像是資料的變化會如何影響模型的預測？機器模型對不同的群體有哪些不同的表現？用來測試模型的資料是否足夠多樣化？要回答這些問題并不容易，通常探索機器學習模型必須要編寫一次性的程式碼，來分析特定的模型，但這個過程通常效率很低，而且不會寫程式的人也很難參與其中。

為此，Google在開源的TensorBoard網頁應用程式中，推出了What-If Tool新功能，可以讓使用者在不撰寫任何程式碼的情況下分析模型，只要給What-If Tool一個TensorFlow模型以及資料集的指標，該工具就能提供互動式視覺化介面，讓使用者探索模型結果。What-If Tool包含了豐富的有用功能，除了能使用Facets自動視覺化資料集外，還可以從資料集手動編輯范例以檢視影響變化等。

比較微笑檢測模型上的兩個數據片段的性能，將其分類閾值設置為滿足約束“equal opportunity”。

Google提到，What-If Tool有兩個強大的使用案例，可以用在反事實（Counterfactual）以及效能和演算法公平性分析。反事實是來偵測「如果-那么」的假設性因果關系，使用者只要在What-If Tool點擊一個按鈕，就能把資料點和模型預測不同結果的最相似資料點進行比較，這能有效地尋找模型決策邊界。而且使用者也可以直接手動編輯資料點，以探索整體模型預測的變化。在效能和演算法公平性分析方面，使用者也可以用What-If Tool探索不同分類閾值對模型的影響，同時考慮不同數值的公平性標準等約束條件。

What-If Tool在Google內部測試的結果，有一個團隊發現他們的機器學習模型，錯誤忽略資料集的整體特征，還有另一個團隊則使用What-If Tool的視覺化工具，整理模型最佳與最差的范例類型，發現了導致他們模型表現不佳的原因。