MIT's revolutionaire periodiek systeem voor machine learning: een nieuwe weg naar AI-ontdekking

In een baanbrekende ontwikkeling hebben onderzoekers van het Massachusetts Institute of Technology (MIT) een periodiek systeem voor machine learning gecreëerd dat de verbindingen tussen meer dan 20 klassieke algoritmen in kaart brengt. Dit nieuwe raamwerk biedt wetenschappers de mogelijkheid om strategieën uit verschillende methoden te combineren om bestaande AI-modellen te verbeteren of nieuwe te creëren.

Een unificerend raamwerk

Het periodieke systeem is voortgekomen uit het idee dat alle algoritmen een specifieke relatie tussen datapunten leren. Hoewel elk algoritme dat op een iets andere manier doet, is de kernwiskunde achter elke benadering hetzelfde. De onderzoekers hebben een unificerende vergelijking geïdentificeerd die ten grondslag ligt aan veel klassieke AI-algoritmen. Deze vergelijking werd gebruikt om populaire methoden opnieuw te formuleren en ze in een tabel te rangschikken, waarbij elk algoritme werd gecategoriseerd op basis van de benaderde relaties die het leert.

Onontdekte algoritmen

Net als het periodiek systeem van chemische elementen, dat aanvankelijk lege vakjes bevatte die later door wetenschappers werden ingevuld, heeft het periodiek systeem van machine learning ook lege ruimtes. Deze ruimtes voorspellen waar algoritmen zouden moeten bestaan, maar die nog niet zijn ontdekt. Dit biedt onderzoekers een toolkit om nieuwe algoritmen te ontwerpen zonder de noodzaak om ideeën uit eerdere benaderingen opnieuw te ontdekken.

Een toevallige ontdekking

De onderzoekers hadden aanvankelijk niet de intentie om een periodiek systeem voor machine learning te creëren. Na het bestuderen van clustering, een machine learning-techniek die afbeeldingen classificeert door vergelijkbare afbeeldingen in nabijgelegen clusters te organiseren, ontdekte Shaden Alshammari, een MIT-student en hoofdauteur van een paper over dit nieuwe raamwerk, dat het clustering-algoritme dat ze bestudeerde vergelijkbaar was met een ander klassiek machine learning-algoritme, genaamd contrastive learning. Dit leidde tot de ontdekking dat deze twee verschillende algoritmen konden worden herzien met behulp van dezelfde onderliggende vergelijking.

Een hulpmiddel voor ontdekking

Als ze de tabel rangschikten, begonnen de onderzoekers hiaten te zien waar algoritmen zouden kunnen bestaan, maar die nog niet waren uitgevonden. De onderzoekers vulden een van deze hiaten door ideeën te lenen van een machine learning-techniek genaamd contrastive learning en deze toe te passen op beeldclustering. Dit resulteerde in een nieuw algoritme dat ongeëtiketteerde afbeeldingen 8 procent beter kon classificeren dan een andere state-of-the-art benadering.

Toekomstige mogelijkheden

Het flexibele periodieke systeem stelt onderzoekers in staat om nieuwe rijen en kolommen toe te voegen om extra soorten datapuntenverbindingen weer te geven. Uiteindelijk kan I-Con als gids machine learning-wetenschappers helpen buiten de gebaande paden te denken, waardoor ze worden aangemoedigd om ideeën op manieren te combineren die ze anders misschien niet zouden hebben overwogen.

De impact van deze ontdekking reikt verder dan alleen de academische wereld. Het biedt een nieuw perspectief op hoe machine learning kan worden benaderd en toegepast, met potentiële implicaties voor een breed scala aan industrieën die afhankelijk zijn van geavanceerde data-analyse en AI-technologieën.