Istraživači sa MIT‑a razvili su jedinstven okvir nazvan I‑Con („informaciono kontrastno učenje“) koji objedinjuje više od 20 klasičnih tehnika mašinskog učenja u obliku „periodnog sistema mašinskog učenja“. Ključ njihove metode je otkriće univerzalne jednačine kojom se opisuje kako algoritmi uče veze između podataka i potom ih aproksimiraju. Na osnovu toga, različite popularne metode svrstane su u tabelu prema tipu relacija koje uče i načinu približavanja tim relacijama. Poput hemijskog periodnog sistema, i ova tabela sadrži prazna polja – predviđena mesta za nove algoritme koji još nisu razvijeni. Istraživači su već iskoristili okvir da kombinuju elemente klasterovanja i kontrastnog učenja, ostvarivši poboljšanje tačnosti klasifikacije slika za oko 8 %. Tabela tako postaje praktičan alat za brže kreiranje i unapređenje AI modela, jer pruža sistemski pregled dosadašnjih pristupa i sugeriše nove smerove istraživanja.