تُصمَّم الوكلاء المحادثين عادةً للبيئات المغلقة. ومع ذلك، قد يتصرّف المستخدمون بطريقة غير متوقعة. بناءً على البيئة المفتوحة، نواجه غالبًا وضعًا يكون فيه بيانات التدريب والاختبار مستخرجة من توزيعات مختلفة. في هذه الحالة، تُسمى البيانات من توزيعات مختلفة بالبيانات خارج المجال (Out-of-Domain - OOD). يحتاج الوكيل المحادثي القوي إلى الرد بشكل كافٍ على هذه الأقوال خارج المجال (OOD). لذلك، يتم التأكيد على أهمية الكشف القوي عن البيانات خارج المجال (OOD). ولكن، جمع البيانات خارج المجال (OOD) هو مهمة صعبة. لقد صممنا خوارزمية للكشف عن البيانات خارج المجال (OOD) مستقلة عن بيانات OOD التي تتفوّق على نطاق واسع من الخوارزميات المتقدمة حاليًا في مجموعات البيانات المتاحة للعموم. تعتمد خوارزميتنا على طريقة بسيطة ولكن فعّالة تجمع بين تعلم المقاييس مع حد قرار متكيف. بالإضافة إلى ذلك، قمنا بالكشف عن أن الخوارزمية المقترحة لدينا قد أظهرت تحسينًا كبيرًا في أداء OOD في سيناريو يحتوي على عدد أقل من الفئات مع الحفاظ على الدقة للفئات داخل المجال (In-Domain - IND).