DeepMind, kendt for sin udvikling inden for kunstig intelligens og opbygning af neurale netværk, der er i stand til at spille computer- og brætspil på menneskeligt niveau, for nylig afsløret AlphaCode-projektet som beskriver hvordan et maskinlæringssystem til kodegenerering at du kan deltage i programmeringskonkurrencer på Codeforces platformen og demonstrere et gennemsnitligt resultat.
Det nævnes, at projektet bruger "Transformer" neurale netværksarkitektur i kombination med andre sampling- og filtreringsmetoder for at generere forskellige uforudsigelige kodevarianter svarende til naturlig sprogtekst.
Metoden hvordan det virker AlphaСode er baseret på filtrering, gruppering og sortering, hvorefter det går videre til at vælge den mest optimale arbejdskode fra den genererede strøm af optioner, som derefter kontrolleres for at sikre, at det korrekte resultat opnås (i hver opgave i konkurrencen, et eksempel på inputdata og et tilsvarende resultat) til dette eksempel, som skal opnås efter udførelse af programmet).
Vi beskriver AlphaCode, som bruger transformatorbaserede sprogmodeller til at generere kode i en hidtil uset skala, og filtrerer derefter intelligent et lille sæt lovende programmer fra.
Vi validerer vores præstation ved hjælp af konkurrencer hostet på Codeforces, en populær platform, der er vært for regelmæssige konkurrencer, der tiltrækker titusindvis af deltagere fra hele verden, som kommer for at teste deres kodningsevner. Vi udvalgte 10 seneste konkurrencer til evaluering, hver nyere end vores træningsdata. AlphaCode var nogenlunde på niveau med den gennemsnitlige konkurrent, hvilket markerede første gang et AI-kodegenereringssystem har nået et konkurrencedygtigt præstationsniveau i programmeringskonkurrencer.
Til omtrentlig systemtræning maskinelæring, det fremhæves, at basiskoden, der er tilgængelig i de offentlige GitHub-lagre, blev brugt. Efter at have udarbejdet den indledende model blev der gennemført en optimeringsfase baseret på en samling af kode med eksempler på problemer og løsninger tilbudt deltagerne i Codeforces, CodeChef, HackerEarth, AtCoder og Aizu konkurrencerne.
I alt til dannelsen af AlphaCode 715 GB GitHub-kode brugt og mere end en million eksempler på løsninger på typiske konkurrenceproblemer. Inden man gik videre til kodegenerering, gennemgik opgavens tekst en normaliseringsfase, hvor alt overflødigt blev udelukket, og kun de væsentlige dele var tilbage.
For at teste systemet blev der udvalgt 10 nye Codeforces-konkurrencer med mere end 5.000 deltagere, som blev afholdt efter at have gennemført uddannelsen af maskinlæringsmodellen.
Jeg kan roligt sige, at resultaterne af AlphaCode oversteg mine forventninger. Jeg var skeptisk, fordi selv i simple konkurrenceproblemer kræves det ofte ikke kun at implementere algoritmen, men også (og det er den sværeste del) at opfinde den. AlphaCode formåede at præstere på niveau med en lovende ny konkurrent. Jeg kan ikke vente med at se, hvad der kommer!
MIKE MIRZAYANOV
GRUNDLÆGGEREN AF CODEFORCES
Resultaterne af opgaverne tilladt for AlphaCode-systemet at komme ind cirka midt i kvalifikationen til disse konkurrencer (54,3%). AlphaCodes forventede samlede score var 1238 point, hvilket garanterer adgang til Top 28% blandt alle Codeforces-deltagere, der har deltaget i konkurrencer mindst én gang inden for de sidste 6 måneder.
Det skal bemærkes, at det bemærkes, at projektet stadig er i den indledende udviklingsfase, og at det i fremtiden er planlagt at forbedre kvaliteten af den genererede kode, samt at udvikle AlphaСode mod systemer, der hjælper med at skrive kode, eller applikationsudviklingsværktøjer, som folk uden programmeringsevner kan bruge.
Endelig hvis du er interesseret i at vide mere om det, bør du vide, at en vigtig udviklingsfunktion er evnen til at generere kode i Python eller C++, idet du som tekstinput tager en erklæring om problemet på engelsk.
Du kan tjekke detaljerne I det følgende link.