TLDR;

As "tabelas periódicas" são mapas visuais que organizam elementos (técnicas, processos e ferramentas) de Data Science e AI em colunas e linhas que indicam função e maturidade para facilitar aprendizado e design de sistemas. Elas funcionam juntas em um ciclo: Data Science prepara, limpa, estrutura e governa os dados (ET, ingestão, limpeza, chunking, metadados, governança) que alimentam componentes de AI (embeddings, bancos vetoriais, RAG, LLMs) e os modelos por sua vez ajudam a rotular e gerar dados que retornam ao processo. Na prática, no exemplo de Document Q&A a solução combina seis elementos de dados (ET, DI, CD, ST, EN, GO) com seis de AI (EM, VX, RG, PR, LG, GR) para indexar documentos, recuperar trechos relevantes, gerar respostas fundamentadas e aplicar guardrails e auditoria.

Resumo

Os autores explicam que o avanço atual da IA se apoia no trabalho histórico de data science e que existe um ciclo: dados alimentam modelos e modelos ajudam a rotular e gerar dados sintéticos. Para esclarecer jargões criaram tabelas periódicas para cada disciplina. A tabela de data science organiza elementos por linhas de maturidade (dados brutos, preparados, modelagem, insights validados) e por colunas de fluxo (aquisição, preparação, modelagem, geração, avaliação), incluindo um adendo quântico; a tabela de IA organiza grupos (reativo, recuperação, orquestração, validação, modelos) e camadas (primitivas, composição, implantação, emergentes). Para exemplificar, descrevem um sistema de Document Q&A que combina doze elementos: seis de data science — ET (extract, transform, load) para consolidar fontes; DI (ingest) para atualizações; CD (cleansing) para limpeza; ST para segmentação e metadata; EN para codificação dos metadados; GO para governança e permissões — e seis de IA — EM (embeddings) para vetorização; VX para armazenamento vetorial; RG (RAG) para recuperação com contexto; PR para montar prompts com trechos recuperados; LG para geração via LLM; e GR para guardrails que validam citações e removem PII, resultando num fluxo auditável e fundamentado, permitindo confiança operacional, rastreabilidade e melhoria contínua dos modelos e pipelines em produção segura.