À semelhança da Tabela Periódica dos Químicos, os investigadores do Massachusetts Institute of Technology (MIT) criaram uma tabela dedicada ao Machine Learning. O objetivo foi criar uma infraestrutura unificada para ajudar os cientistas a combinar ideias existentes para melhorar os modelos de IA ou mesmo, criar novos.

A Tabela Periódica de Machine Learning mostra como mais de 20 algoritmos de machine learning clássicos estão ligados. Os investigadores conseguem criar novas estratégias de fusão de métodos diferentes para melhorar os modelos de IA existentes ou se possível, criar novas soluções. Ao combinar elementos de dois algoritmos diferentes foi possível criar um novo algoritmo de classificação de imagens que teve uma performance 8% melhor que as atuais soluções topo de gama.

Segundo o MIT, a tabela expande-se a partir de uma ideia-chave: todos os algoritmos aprendem um tipo de relação específica entre dois pontos de dados. Enquanto cada algoritmo pode melhorar numa direção ligeiramente diferente, a matemática nuclear por trás de cada abordagem é a mesma. A partir desta base, os cientistas identificaram uma equação unificadora que está na base de muitos algoritmos clássicos de IA.

Tabela Periódica de Machine Learning
Tabela Periódica de Machine Learning Créditos: MIT

Essa equação foi utilizada para reformular métodos populares e alinhá-los na tabela, todos eles categorizados baseado nas relações próximas com que aprende.

Quando a tabela dos elementos químicos foi criada, os cientistas deixaram espaços em branco que iam sendo preenchidos com as descobertas. O mesmo se passa com a nova dedicada ao machine learning, prevendo onde os algoritmos devem existir, mas que não foram ainda descobertos. “Começamos a ver machine learning como um sistema com uma estrutura que é um espaço que podemos explorar do que apenas adivinhar o progresso”, salientou a investigadora Shaden Alshammari do MIT.

A tabela foi inspirada por uma combinação de algoritmos quase ao acaso, em que a investigadora descobriu as ligações os pontos de contacto dos dados de treino. E a partir daqui tentou-se replicar a outros, categorizando esses algoritmos. À medida que a tabela foi sendo alinhada, os investigadores começaram a notar as falhas onde os algoritmos poderiam existir quando fossem inventados.

O estudo completo pode ser consultado na publicação do MIT.