Hoe onderzoekers AI-systemen – net als chemische elementen – proberen te ordenen
Wetenschappers hebben een nieuw theoretisch raamwerk ontwikkeld dat kunstmatige intelligentie op een radicale manier ordent. Net zoals de chemische periodieke tabel orde bracht in de wereld van de elementen, willen zij nu structuur brengen in het steeds complexer wordende landschap van AI-methoden.
Van datachaos naar overzicht
AI-systemen worden tegenwoordig gebruikt om uiteenlopende gegevens te combineren en te interpreteren – van tekst en afbeeldingen tot audio en video. Maar een van de grootste uitdagingen in multimodale AI is het kiezen van de juiste methode voor een specifieke taak: welk algoritme werkt het beste voor welk probleem?
Daarmee vormt deze keuze vaak een kunst op zich. In plaats van telkens vanaf nul te beginnen, is een team natuurkundigen van de Emory University erin geslaagd een universeel wiskundig raamwerk te ontwikkelen dat deze zoektocht systematiseert. Hun concept werkt als een soort “periodieke tabel van AI-methoden”, waarin algoritmen worden geclassificeerd op basis van welke informatie ze bewaren of negeren.
Het idee achter de AI-tabel
Volgens de onderzoekers kan veel van de succesvolle AI-techniek worden teruggebracht tot een kernprincipe: comprimeer verschillende soorten data alleen zover dat de informatie die echt relevant is voor de taak behouden blijft.
In dit raamwerk speelt de zogenaamde loss-functie een centrale rol – dat is de wiskundige regel die een AI-model gebruikt om te meten hoe verkeerd zijn voorspellingen zijn en zichzelf te verbeteren tijdens training. Door deze functie te koppelen aan de vraag welke informatie moet worden bewaard, ontstaan er verschillende “cellen” binnen een tabel, vergelijkbaar met hoe elementen in de chemische tabel zijn gegroepeerd.
Een nieuw gereedschap voor AI-ontwerpers
Deze aanpak, het Variational Multivariate Information Bottleneck Framework, fungeert als een soort “controleknop” waarmee ontwerpers van AI-systemen kunnen bepalen welke informatie belangrijk is voor welk probleem.
Het doel van de groep is niet alleen om te begrijpen waarom bepaalde methoden werken, maar ook om AI-modellen gericht te bouwen, voorspellen en optimaliseren zonder telkens het wiel opnieuw uit te vinden. Volgens de onderzoekers kan dit leiden tot snellere, betrouwbaardere en zelfs minder data-intensieve AI-systemen – met mogelijk minder rekenkracht en een kleinere ecologische voetafdruk.
Van natuurkunde naar AI-toepassing
Het project ontstond deels vanuit een klassieke natuurkundige blik: in plaats van alleen op nauwkeurigheid te focussen, wilden de onderzoekers begrijpen waarom een systeem werkt. Door fundamentele wiskundige principes te zoeken die verschillende AI-methoden verbinden, hopen ze een robuuste basis te leggen voor toekomstige ontwikkeling en innovatie.
Wat betekent dit voor de toekomst?
Hoewel de periodieke tabel van AI nog in de conceptfase zit, kan het concept een belangrijke rol spelen in AI-onderzoek, onderwijs en praktische toepassingen. Net zoals de klassieke tabel van elementen ontdekkingen voorspelde en nieuwe elementen mogelijk maakte, kan deze AI-tabel nieuwe algoritmen blootleggen die we vandaag nog niet kennen.
Of deze structuur uiteindelijk de industrie zal transformeren, moet de tijd uitwijzen. Maar één ding is zeker: dit is een spannende nieuwe manier om naar kunstmatige intelligentie te kijken – met meer overzicht, samenhang en een grotere potentie voor innovatie.
