DeepMind, joka tunnetaan kehitystyöstään tekoälyn alalla ja rakentaa äskettäin paljastettuja neuroverkkoja, jotka pystyvät pelaamaan tietokone- ja lautapelejä ihmistasolla AlphaCode-projekti joka kuvaa kuinka koneoppimisjärjestelmä koodin luomiseen että voit osallistua ohjelmointikilpailuihin Codeforces-alustalla ja osoittaa keskimääräisen tuloksen.
Mainitaan, että hanke käyttää "Transformer" -hermoverkkoarkkitehtuuria yhdessä muiden näytteenotto- ja suodatusmenetelmien kanssa luomaan erilaisia ennalta arvaamattomia koodimuunnelmia, jotka vastaavat luonnollisen kielen tekstiä.
Menetelmä miten se toimii Alfakoodi perustuu suodatukseen, ryhmittelyyn ja lajitteluun, minkä jälkeen se valitsee generoidusta vaihtoehtovirrasta optimaalisimman toimivan koodin, joka sitten tarkistetaan oikean tuloksen varmistamiseksi (jokaisessa kilpailun tehtävässä esimerkki syötetiedot ja vastaava tulos) tähän esimerkkiin, joka tulee saada ohjelman suorittamisen jälkeen).
Esittelemme yksityiskohtaisesti AlphaCoden, joka käyttää muuntajapohjaisia kielimalleja koodin luomiseen ennennäkemättömässä mittakaavassa ja suodattaa sitten älykkäästi pienen joukon lupaavia ohjelmia.
Vahvistamme suorituksemme käyttämällä kilpailuja, joita isännöi Codeforces, suosittu alusta, joka isännöi säännöllisesti kilpailuja, jotka houkuttelevat kymmeniä tuhansia osallistujia ympäri maailmaa testaamaan koodaustaitojaan. Valitsimme arvioitavaksi 10 viimeaikaista kilpailua, joista jokainen on koulutustietomme uudempi. AlphaCode oli suunnilleen samalla tasolla kuin keskivertokilpailija, mikä on ensimmäinen kerta, kun AI-koodin generointijärjestelmä on saavuttanut kilpailukykyisen suoritustason ohjelmointikilpailuissa.
Suunnilleen järjestelmäkoulutukseen koneoppiminen, korostetaan, että käytettiin julkisissa GitHub-arkistoissa saatavilla olevaa peruskoodia. Alkumallin valmistelun jälkeen suoritettiin optimointivaihe, joka perustui Codeforces-, CodeChef-, HackerEarth-, AtCoder- ja Aizu-kilpailujen osallistujille tarjottuihin ongelmiin ja ratkaisuihin sisältyvien koodien kokoelmaan.
Yhteensä AlphaCoden muodostamiseen 715 Gt GitHub-koodia käytetty ja yli miljoona esimerkkiä ratkaisuista kilpailun tyypillisiin ongelmiin. Ennen koodin luomiseen siirtymistä tehtävän teksti kävi läpi normalisointivaiheen, jossa kaikki ylimääräinen jätettiin pois ja vain merkittävät osat jäivät jäljelle.
Järjestelmän testaamiseen valittiin 10 uutta Codeforces-kilpailua, joissa oli yli 5.000 XNUMX osallistujaa ja jotka pidettiin koneoppimismallin koulutuksen jälkeen.
Voin turvallisesti sanoa, että AlphaCoden tulokset ylittivät odotukseni. Olin skeptinen, koska jopa yksinkertaisissa kilpailuongelmissa vaaditaan usein paitsi algoritmin toteuttamista, myös (ja tämä on vaikein osa) sen keksimistä. AlphaCode onnistui suoriutumaan lupaavan uuden kilpailijan tasolla. En malta odottaa, mitä tuleman pitää!
MIKE MIRZAYANOV
CODEFORCES:N PERUSTAJA
Tehtävien tulokset sallittu jotta AlphaCode-järjestelmä pääsee sisään suunnilleen näiden kilpailujen karsinnan puolivälissä (54,3 %). AlphaCoden ennustettu kokonaispistemäärä oli 1238 pistettä, mikä takaa pääsyn Top 28 %:n joukkoon kaikista Codeforcesin osallistujista, jotka ovat osallistuneet kilpailuihin vähintään kerran viimeisen 6 kuukauden aikana.
On huomioitava, että on havaittavissa, että projekti on vielä alkuvaiheessa ja että tulevaisuudessa on tarkoitus parantaa generoidun koodin laatua sekä kehittää AlphaСodea kohti järjestelmiä, jotka auttavat koodin kirjoittamisessa, tai sovelluskehitystyökaluja, joita ihmiset, joilla ei ole ohjelmointitaitoja, voivat käyttää.
Vihdoin jos olet kiinnostunut tietämään siitä lisää, sinun pitäisi tietää, että keskeinen kehitysominaisuus on kyky luoda koodia Pythonilla tai C++:lla ja ottaa tekstisyötteenä ongelman selvitys englanniksi.
Voit tarkistaa yksityiskohdat Seuraavassa linkissä.