DeepMind, poznat po svojim razvojima u oblasti umjetne inteligencije i izgradnju neuronskih mreža sposobnih za igranje kompjuterskih i društvenih igara na ljudskom nivou, nedavno predstavljenih projekat AlphaCode koji opisuje kako sistem mašinskog učenja za generisanje koda da možete učestvovati u natjecanjima u programiranju na platformi Codeforces i pokazati prosječan rezultat.
Spominje se da je projekat koristi arhitekturu neuronske mreže “Transformer”. u kombinaciji s drugim metodama uzorkovanja i filtriranja za generiranje različitih nepredvidivih varijanti koda koji odgovaraju tekstu na prirodnom jeziku.
Metoda kako funkcionira AlphaCode bazira se na filtriranju, grupisanju i sortiranju, nakon čega se nastavlja sa odabirom najoptimalnijeg radnog koda iz generiranog toka opcija, koji se zatim provjerava kako bi se osiguralo da se dobije ispravan rezultat (u svakom zadatku takmičenja, primjer ulazni podaci i odgovarajući rezultat) ovom primjeru, koji treba dobiti nakon izvršenja programa).
Detaljno opisujemo AlphaCode, koji koristi jezičke modele zasnovane na transformatorima za generiranje koda u neviđenoj mjeri, a zatim inteligentno filtrira mali skup obećavajućih programa.
Svoj učinak potvrđujemo korištenjem takmičenja koja se održavaju na Codeforces, popularnoj platformi koja ugošćuje redovna takmičenja koja privlače desetine hiljada učesnika iz cijelog svijeta koji dolaze da testiraju svoje vještine kodiranja. Odabrali smo 10 nedavnih takmičenja za evaluaciju, svaki noviji od naših podataka o obuci. AlphaCode je bio otprilike na nivou prosječnog konkurenta, što je prvi put da je sistem za generiranje AI koda dostigao konkurentan nivo performansi na takmičenjima u programiranju.
Za približnu sistemsku obuku mašinsko učenje, naglašava se da je korišten osnovni kod dostupan u javnim GitHub repozitorijumima. Nakon pripreme početnog modela, sprovedena je faza optimizacije zasnovana na zbirci koda sa primerima problema i rešenja koja su ponuđena učesnicima takmičenja Codeforces, CodeChef, HackerEarth, AtCoder i Aizu.
Ukupno, za formiranje AlphaCode-a Koristi se 715 GB GitHub koda i više od milion primjera rješenja tipičnih problema konkurencije. Prije nego što se pristupilo generiranju koda, tekst zadatka je prošao kroz fazu normalizacije, u kojoj je sve suvišno isključeno i ostali su samo bitni dijelovi.
Za testiranje sistema odabrano je 10 novih Codeforces takmičenja sa više od 5.000 učesnika, održanih nakon završene obuke modela mašinskog učenja.
Mogu sa sigurnošću reći da su rezultati AlphaCode-a nadmašili moja očekivanja. Bio sam skeptičan jer se čak iu jednostavnim konkurentskim problemima često traži ne samo implementacija algoritma, već i (a to je najteže) njegovo izmišljanje. AlphaCode je uspio nastupiti na nivou novog perspektivnog konkurenta. Jedva čekam da vidim šta dolazi!
MIKE MIRZAYANOV
OSNIVAČ CODEFORCES-a
Rezultati zadataka su dozvoljeni da bi sistem AlphaCode ušao otprilike na sredini kvalifikacija ovih takmičenja (54,3%). Predviđeni ukupni rezultat AlphaCode-a bio je 1238 poena, što garantuje ulazak u Top 28% među svim Codeforces učesnicima koji su učestvovali u takmičenjima barem jednom u poslednjih 6 meseci.
Treba napomenuti da se primjećuje da je projekat još uvijek u početnoj fazi razvoja i da je u budućnosti planirano poboljšanje kvaliteta generiranog koda, kao i razvoj AlphaCode prema sistemima koji pomažu u pisanju koda, ili alati za razvoj aplikacija koje mogu koristiti ljudi bez vještina programiranja.
Konačno ako ste zainteresirani da saznate više o tome, trebali biste znati da je ključna razvojna karakteristika mogućnost generiranja koda u Pythonu ili C++, uzimajući kao unos teksta izjavu o problemu na engleskom.
Možete provjeriti detalje Na sledećem linku.