ડીપમાઇન્ડ, આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્ષેત્રે તેના વિકાસ માટે જાણીતું છે અને માનવ સ્તરે કમ્પ્યુટર અને બોર્ડ ગેમ્સ રમવા માટે સક્ષમ ન્યુરલ નેટવર્ક્સનું નિર્માણ, તાજેતરમાં અનાવરણ કરવામાં આવ્યું છે આલ્ફાકોડ પ્રોજેક્ટ જે કેવી રીતે વર્ણવે છે કોડ જનરેશન માટે મશીન લર્નિંગ સિસ્ટમ કે તમે કોડફોર્સ પ્લેટફોર્મ પર પ્રોગ્રામિંગ સ્પર્ધાઓમાં ભાગ લઈ શકો છો અને સરેરાશ પરિણામ દર્શાવી શકો છો.
આ પ્રોજેક્ટનો ઉલ્લેખ છે "ટ્રાન્સફોર્મર" ન્યુરલ નેટવર્ક આર્કિટેક્ચરનો ઉપયોગ કરે છે કુદરતી ભાષાના ટેક્સ્ટને અનુરૂપ વિવિધ અણધારી કોડ વેરિઅન્ટ્સ બનાવવા માટે અન્ય નમૂના અને ફિલ્ટરિંગ પદ્ધતિઓ સાથે સંયોજનમાં.
તે કેવી રીતે કાર્ય કરે છે તે પદ્ધતિ આલ્ફા કોડ ફિલ્ટરિંગ, ગ્રૂપિંગ અને સૉર્ટિંગ પર આધારિત છે, ત્યારબાદ તે વિકલ્પોના જનરેટ કરેલા પ્રવાહમાંથી સૌથી શ્રેષ્ઠ કાર્યકારી કોડ પસંદ કરવા માટે આગળ વધે છે, જે પછી યોગ્ય પરિણામ પ્રાપ્ત થાય છે તેની ખાતરી કરવા માટે તપાસવામાં આવે છે (સ્પર્ધાના દરેક કાર્યમાં, એક ઉદાહરણ ઇનપુટ ડેટા અને અનુરૂપ પરિણામ) આ ઉદાહરણ માટે, જે પ્રોગ્રામના અમલ પછી મેળવવો જોઈએ).
અમે આલ્ફાકોડની વિગત આપીએ છીએ, જે અભૂતપૂર્વ સ્કેલ પર કોડ જનરેટ કરવા માટે ટ્રાન્સફોર્મર-આધારિત ભાષા મોડેલનો ઉપયોગ કરે છે, પછી આશાસ્પદ પ્રોગ્રામ્સના નાના સમૂહને હોશિયારીથી ફિલ્ટર કરે છે.
અમે Codeforces પર યોજાયેલી સ્પર્ધાઓનો ઉપયોગ કરીને અમારા પ્રદર્શનને માન્ય કરીએ છીએ, જે એક લોકપ્રિય પ્લેટફોર્મ છે જે નિયમિત સ્પર્ધાઓનું આયોજન કરે છે જે વિશ્વભરમાંથી હજારો પ્રવેશકર્તાઓને આકર્ષે છે જેઓ તેમની કોડિંગ કુશળતા ચકાસવા આવે છે. અમે મૂલ્યાંકન માટે તાજેતરની 10 સ્પર્ધાઓ પસંદ કરી છે, જે દરેક અમારા તાલીમ ડેટા કરતાં નવી છે. આલ્ફાકોડ સરેરાશ પ્રતિસ્પર્ધી સાથે આશરે સ્તરનું હતું, જે પ્રથમ વખત AI કોડ જનરેશન સિસ્ટમ પ્રોગ્રામિંગ સ્પર્ધાઓમાં પ્રદર્શનના સ્પર્ધાત્મક સ્તરે પહોંચ્યું છે.
અંદાજિત સિસ્ટમ તાલીમ માટે મશીન શિક્ષણ, તે પ્રકાશિત થાય છે કે સાર્વજનિક GitHub રિપોઝીટરીઝમાં ઉપલબ્ધ બેઝ કોડનો ઉપયોગ કરવામાં આવ્યો હતો. પ્રારંભિક મોડેલ તૈયાર કર્યા પછી, કોડફોર્સ, કોડચેફ, હેકરઅર્થ, એટકોડર અને આઈઝુ સ્પર્ધાઓના સહભાગીઓને ઓફર કરાયેલ સમસ્યાઓ અને ઉકેલોના ઉદાહરણો સાથે કોડના સંગ્રહના આધારે ઑપ્ટિમાઇઝેશનનો તબક્કો હાથ ધરવામાં આવ્યો હતો.
કુલ, આલ્ફાકોડની રચના માટે 715 GB નો GitHub કોડ વપરાયો અને સ્પર્ધાની લાક્ષણિક સમસ્યાઓના ઉકેલોના એક મિલિયનથી વધુ ઉદાહરણો. કોડ જનરેશન પર આગળ વધતા પહેલા, કાર્યનો ટેક્સ્ટ નોર્મલાઇઝેશન તબક્કામાંથી પસાર થયો હતો, જેમાં અનાવશ્યક દરેક વસ્તુને બાકાત રાખવામાં આવી હતી અને માત્ર નોંધપાત્ર ભાગો જ રહ્યા હતા.
સિસ્ટમનું પરીક્ષણ કરવા માટે, 10 થી વધુ સહભાગીઓ સાથે 5.000 નવી કોડફોર્સ સ્પર્ધાઓ પસંદ કરવામાં આવી હતી, જે મશીન લર્નિંગ મોડલની તાલીમ પૂર્ણ કર્યા પછી યોજાઈ હતી.
હું સુરક્ષિત રીતે કહી શકું છું કે AlphaCode ના પરિણામો મારી અપેક્ષાઓ કરતાં વધી ગયા છે. હું શંકાસ્પદ હતો કારણ કે સામાન્ય સ્પર્ધાત્મક સમસ્યાઓમાં પણ, તે ઘણીવાર ફક્ત અલ્ગોરિધમનો અમલ કરવા માટે જ નહીં, પણ તેની શોધ માટે (અને આ સૌથી મુશ્કેલ ભાગ છે) પણ જરૂરી છે. આલ્ફાકોડ આશાસ્પદ નવા સ્પર્ધકના સ્તરે પ્રદર્શન કરવામાં વ્યવસ્થાપિત છે. હું શું આવવાનું છે તે જોવા માટે રાહ જોઈ શકતો નથી!
માઇક મિર્ઝાયાનોવ
કોડફોર્સીસના સ્થાપક
સોંપણીઓના પરિણામોની મંજૂરી છે આલ્ફાકોડ સિસ્ટમ દાખલ કરવા માટે લગભગ આ સ્પર્ધાઓની લાયકાતની મધ્યમાં (54,3%). આલ્ફાકોડનો અનુમાનિત એકંદર સ્કોર 1238 પોઈન્ટ હતો, જે છેલ્લા 28 મહિનામાં ઓછામાં ઓછા એક વખત સ્પર્ધાઓમાં ભાગ લેનારા તમામ કોડફોર્સ સહભાગીઓમાં ટોચના 6% માં પ્રવેશની ખાતરી આપે છે.
એ નોંધવું જોઈએ કે તે જોવામાં આવે છે કે પ્રોજેક્ટ હજી વિકાસના પ્રારંભિક તબક્કામાં છે અને ભવિષ્યમાં તે જનરેટ કરેલા કોડની ગુણવત્તા સુધારવા માટે તેમજ કોડ લખવામાં મદદ કરતી સિસ્ટમ્સ તરફ આલ્ફા કોડ વિકસાવવાનું આયોજન છે, અથવા એપ્લીકેશન ડેવલપમેન્ટ ટૂલ્સ કે જે પ્રોગ્રામિંગ કૌશલ્ય વિનાના લોકો ઉપયોગ કરી શકે છે.
છેલ્લે જો તમને તેના વિશે વધુ જાણવામાં રસ છે, તમારે જાણવું જોઈએ કે મુખ્ય વિકાસ લક્ષણ એ Python અથવા C++ માં કોડ જનરેટ કરવાની ક્ષમતા છે, જે ટેક્સ્ટ ઇનપુટ તરીકે અંગ્રેજીમાં સમસ્યાનું નિવેદન લે છે.
તમે વિગતો ચકાસી શકો છો નીચેની કડીમાં