DeepMind, poznat po svojim razvojima u području umjetne inteligencije i izgradnju neuronskih mreža sposobnih za igranje računalnih i društvenih igara na ljudskoj razini, nedavno predstavljenih projekt AlphaCode koji opisuje kako sustav strojnog učenja za generiranje koda da možete sudjelovati u natjecanjima u programiranju na platformi Codeforces i pokazati prosječan rezultat.
Spominje se da je projekt 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 djeluje AlfaKod temelji se na filtriranju, grupiranju i razvrstavanju, nakon čega se zatim nastavlja s odabirom najoptimalnijeg radnog koda iz generiranog niza opcija, koji se zatim provjerava kako bi se osiguralo dobivanje točnog rezultata (u svakom zadatku natjecanja primjer ulazni podaci i odgovarajući rezultat) ovom primjeru koji treba dobiti nakon izvršenja programa).
Detaljno opisujemo AlphaCode, koji koristi jezične modele temeljene na transformatorima za generiranje koda u neviđenim razmjerima, a zatim inteligentno filtrira mali skup obećavajućih programa.
Svoju izvedbu potvrđujemo natjecanjima koja se održavaju na Codeforcesu, popularnoj platformi koja ugošćuje redovita natjecanja koja privlače desetke tisuća sudionika iz cijelog svijeta koji dolaze testirati svoje vještine kodiranja. Odabrali smo 10 nedavnih natjecanja za ocjenjivanje, svaki noviji od naših podataka o obuci. AlphaCode je bio otprilike na razini prosječnog konkurenta, što je prvi put da je sustav za generiranje AI koda dosegao konkurentnu razinu izvedbe u natjecanjima u programiranju.
Za približnu obuku sustava strojno učenje, istaknuto je da je korišten osnovni kod dostupan u javnim GitHub repozitorijumima. Nakon pripreme početnog modela, provedena je faza optimizacije na temelju zbirke koda s primjerima problema i rješenja koja su ponuđena sudionicima natjecanja Codeforces, CodeChef, HackerEarth, AtCoder i Aizu.
Ukupno, za formiranje AlphaCode-a Korišteno je 715 GB GitHub koda i više od milijun primjera rješenja tipičnih problema natjecanja. Prije nego što se pristupilo generiranju koda, tekst zadatka prošao je fazu normalizacije, u kojoj je sve suvišno isključeno i ostali su samo bitni dijelovi.
Za testiranje sustava odabrano je 10 novih Codeforces natjecanja s više od 5.000 sudionika, održanih nakon završetka obuke modela strojnog učenja.
Mogu sa sigurnošću reći da su rezultati AlphaCodea nadmašili moja očekivanja. Bio sam skeptičan jer se čak i u jednostavnim natjecateljskim problemima često zahtijeva ne samo implementacija algoritma, već i (a to je najteže) njegovo izmišljanje. AlphaCode je uspio nastupiti na razini novog perspektivnog konkurenta. Jedva čekam vidjeti što slijedi!
MIKE MIRZAJANOV
OSNIVAČ CODEFORCES
Rezultati zadataka dopušteni za ulazak u sustav AlphaCode otprilike u sredini kvalifikacija ovih natjecanja (54,3%). Predviđeni ukupni rezultat AlphaCodea bio je 1238 bodova, što jamči ulazak u Top 28% među svim Codeforces sudionicima koji su sudjelovali u natjecanjima barem jednom u posljednjih 6 mjeseci.
Treba napomenuti da se primjećuje da je projekt još uvijek u početnoj fazi razvoja te da se u budućnosti planira poboljšati kvalitetu generiranog koda, kao i razviti AlphaCode prema sustavima koji pomažu u pisanju koda, ili alati za razvoj aplikacija koje mogu koristiti ljudi bez vještina programiranja.
Konačno ako vas zanima više o tome, trebali biste znati da je ključna razvojna značajka mogućnost generiranja koda u Pythonu ili C++, uzimajući kao unos teksta izjavu o problemu na engleskom.
Možete provjeriti detalje U sljedećem linku.