DeepMind, žinomas dėl savo plėtros dirbtinio intelekto srityje ir neseniai pristatytų neuroninių tinklų kūrimas, galintis žaisti kompiuterinius ir stalo žaidimus žmogaus lygiu AlphaCode projektas kuriame aprašoma kaip mašininio mokymosi sistema kodų generavimui kad galite dalyvauti programavimo konkursuose Codeforces platformoje ir demonstruoti vidutinį rezultatą.
Minima, kad projektas naudoja "Transformatoriaus" neuroninio tinklo architektūrą kartu su kitais atrankos ir filtravimo metodais generuoti įvairius nenuspėjamus kodo variantus, atitinkančius natūralios kalbos tekstą.
Metodas, kaip tai veikia Alfakodas yra pagrįstas filtravimu, grupavimu ir rūšiavimu, po to iš sugeneruoto parinkčių srauto pasirenkamas optimaliausias darbo kodas, kuris vėliau patikrinamas siekiant užtikrinti, kad būtų gautas teisingas rezultatas (kiekvienoje konkurso užduotyje pateikiamas pavyzdys įvesties duomenis ir atitinkamą rezultatą) prie šio pavyzdžio, kuris turėtų būti gautas įvykdžius programą).
Išsamiai aprašome AlphaCode, kuris naudoja transformatoriumi pagrįstus kalbos modelius, kad sukurtų precedento neturintį kodą, tada protingai išfiltruoja nedidelį daug žadančių programų rinkinį.
Savo veiklą patvirtiname naudodami konkursus, rengiamus Codeforces – populiarioje platformoje, kurioje reguliariai rengiami konkursai, pritraukiantys dešimtis tūkstančių dalyvių iš viso pasaulio, kurie atvyksta išbandyti savo kodavimo įgūdžių. Vertinimui atrinkome 10 naujausių konkursų, kurių kiekvienas buvo naujesnis nei mūsų mokymo duomenys. „AlphaCode“ buvo apytiksliai lygus vidutiniam konkurentui, o tai pirmą kartą AI kodo generavimo sistema pasiekė konkurencingą našumo lygį programavimo varžybose.
Dėl apytikslės sistemos mokymo mašininis mokymasis, pabrėžiama, kad buvo naudojamas viešosiose „GitHub“ saugyklose esantis bazinis kodas. Parengus pradinį modelį, buvo atliktas optimizavimo etapas, paremtas kodų rinkiniu su problemų ir sprendimų pavyzdžiais, pasiūlytais Codeforces, CodeChef, HackerEarth, AtCoder ir Aizu konkursų dalyviams.
Iš viso už AlphaCode formavimą Naudojamas 715 GB GitHub kodo ir daugiau nei milijonas tipinių konkurso problemų sprendimų pavyzdžių. Prieš pereinant prie kodo generavimo, užduoties tekstas perėjo normalizavimo fazę, kurioje buvo pašalinta viskas, kas nereikalinga, ir liko tik reikšmingos dalys.
Sistemai išbandyti buvo atrinkta 10 naujų Codeforces konkursų, kuriuose dalyvavo daugiau nei 5.000 dalyvių, surengtų baigus mašininio mokymosi modelio mokymus.
Galiu drąsiai teigti, kad AlphaCode rezultatai pranoko mano lūkesčius. Buvau nusiteikęs skeptiškai, nes net ir sprendžiant paprastas konkurencines problemas dažnai reikia ne tik įdiegti algoritmą, bet ir (o tai yra sunkiausia) jį sugalvoti. „AlphaCode“ sugebėjo pasirodyti perspektyvaus naujo konkurento lygiu. Nekantrauju pamatyti, kas bus toliau!
MIKE MIRZAYANOV
CODEFORCES ĮGŪRĖJAS
Užduočių rezultatai leidžiami AlphaCode sistemai patekti maždaug per vidurį šių varžybų kvalifikacijos (54,3 proc.). Numatytas AlphaCode bendras rezultatas buvo 1238 taškai, garantuojantys patekimą į Top 28% tarp visų Codeforces dalyvių, dalyvavusių varžybose bent kartą per pastaruosius 6 mėnesius.
Pastebėtina, kad projektas dar tik pradiniame kūrimo etape ir ateityje planuojama gerinti generuojamo kodo kokybę, taip pat plėtoti AlphaСode link sistemų, kurios padeda rašyti kodą, arba programų kūrimo įrankiai, kuriais gali naudotis programavimo įgūdžių neturintys žmonės.
Pagaliau jei norite sužinoti daugiau apie tai, turėtumėte žinoti, kad pagrindinė kūrimo funkcija yra galimybė generuoti kodą Python arba C++ kalbomis, kaip teksto įvestį naudojant problemos pareiškimą anglų kalba.
Galite patikrinti detales Šioje nuorodoje.