Naukowcy opracowali innowacyjną metodę, która pozwala automatycznie wybierać optymalny algorytm do rozwiązania problemu, bazując wyłącznie na jego textowym opisie - bez potrzeby głębokich zaawansowanych znań z danej dziedziny. Podejście wykorzystuje text embeddings, czyli numeryczne reprezentacje tekstu, które są następnie porównywane z opisami algorytmów, aby znaleźć najlepsze dopasowanie. To przełom, bo dotychczas wybór właściwej metody obliczeniowej wymagał od użytkownika albo doświadczenia eksperta, albo czasochłonnych eksperymentów.
Problem polega na tym, że w praktyce programiści i analitycy mają dostęp do dziesiątek, a czasem setek algorytmów, ale nie wiedzą, który wybrać dla swoich danych czy zadania. Tradycyjne podejście polegało na ręcznym testowaniu kilku wariantów lub szukaniu wskazówek w specjalistycznej literaturze. Badacze pokazują, że wykorzystując tekst - choćby zapis "Szukam sposobu na szybkie wyszukiwanie podobnych obrazów w dużej bazie" - system może zaproponować właściwe rozwiązanie. Znaczenie tego podejścia rośnie wraz z eksplozją algorytmów dostępnych w bibliotekach jak scikit-learn czy TensorFlow.
Metoda opiera się na idea, że tekst opisujący problem można przekształcić w embedding, czyli gęsty wektor liczb, który można porównać z embeddingami opisów algorytmów. Dzięki temu model uczy się znajdować związki między naturalnymi opisami problemów a metodami ich rozwiązania. To zmienia grę zwłaszcza dla mniejszych firm czy zespołów, które nie mogą zatrudnić specjalistów ds. machine learningu - teraz mogą polegać na automatycznym doradcy. Badania wskazują, że takie podejście może zaoszczędzić czas i często przewyższa wybory naiwne, choć oczywiście nie zastępuje testowania i walidacji.