DeepMind, kjent for sin utvikling innen kunstig intelligens og bygge nevrale nettverk som er i stand til å spille data- og brettspill på menneskelig nivå, nylig avduket AlphaCode-prosjektet som beskriver hvordan et maskinlæringssystem for kodegenerering at du kan delta i programmeringskonkurranser på Codeforces-plattformen og demonstrere et gjennomsnittlig resultat.
Det er nevnt at prosjektet bruker "Transformer" nevrale nettverksarkitektur i kombinasjon med andre samplings- og filtreringsmetoder for å generere ulike uforutsigbare kodevarianter tilsvarende naturlig språktekst.
Metoden hvordan det fungerer AlphaСode er basert på filtrering, gruppering og sortering, hvorpå den deretter fortsetter med å velge den mest optimale arbeidskoden fra den genererte strømmen av alternativer, som deretter kontrolleres for å sikre at riktig resultat oppnås (i hver oppgave i konkurransen, et eksempel på inndata og et tilsvarende resultat) til dette eksemplet, som skal oppnås etter utførelse av programmet).
Vi beskriver AlphaCode, som bruker transformatorbaserte språkmodeller for å generere kode i en enestående skala, og filtrerer deretter intelligent ut et lite sett med lovende programmer.
Vi validerer ytelsen vår ved å bruke konkurranser arrangert på Codeforces, en populær plattform som arrangerer vanlige konkurranser som tiltrekker titusenvis av deltakere fra hele verden som kommer for å teste kodeferdighetene sine. Vi valgte ut 10 nylige konkurranser for evaluering, hver nyere enn treningsdataene våre. AlphaCode var omtrent på nivå med den gjennomsnittlige konkurrenten, og markerte første gang et AI-kodegenereringssystem har nådd et konkurransedyktig ytelsesnivå i programmeringskonkurranser.
For omtrentlig systemtrening maskinlæring, det fremheves at basiskoden tilgjengelig i de offentlige GitHub-repositoriene ble brukt. Etter å ha utarbeidet den innledende modellen ble det utført en optimaliseringsfase basert på en samling kode med eksempler på problemer og løsninger som ble tilbudt deltakerne i Codeforces, CodeChef, HackerEarth, AtCoder og Aizu-konkurransene.
Totalt for dannelsen av AlphaCode 715 GB GitHub-kode brukt og mer enn en million eksempler på løsninger på typiske konkurranseproblemer. Før du gikk videre til kodegenerering, gikk teksten til oppgaven gjennom en normaliseringsfase, der alt overflødig ble ekskludert og bare de vesentlige delene gjensto.
For å teste systemet ble 10 nye Codeforces-konkurranser med mer enn 5.000 deltakere valgt ut, holdt etter å ha fullført opplæringen i maskinlæringsmodellen.
Jeg kan trygt si at resultatene til AlphaCode overgikk forventningene mine. Jeg var skeptisk fordi selv i enkle konkurranseproblemer kreves det ofte ikke bare å implementere algoritmen, men også (og dette er den vanskeligste delen) å finne den opp. AlphaCode klarte å prestere på nivået til en lovende ny konkurrent. Jeg gleder meg til å se hva som kommer!
MIKE MIRZAYANOV
GRUNNER AV CODEFORCES
Resultatene av oppgavene tillatt for AlphaCode-systemet å gå inn omtrent midt i kvalifiseringen til disse konkurransene (54,3 %). AlphaCodes spådde totale poengsum var 1238 poeng, noe som garanterer inntreden i Topp 28 % blant alle Codeforces-deltakere som har deltatt i konkurranser minst én gang i løpet av de siste 6 månedene.
Det skal bemerkes at det er observert at prosjektet fortsatt er i den innledende utviklingsfasen og at det i fremtiden er planlagt å forbedre kvaliteten på den genererte koden, samt å utvikle AlphaСode mot systemer som hjelper til med å skrive kode, eller applikasjonsutviklingsverktøy som folk uten programmeringskunnskaper kan bruke.
Endelig hvis du er interessert i å vite mer om det, bør du vite at en nøkkelutviklingsfunksjon er muligheten til å generere kode i Python eller C++, ved å ta som tekstinndata en uttalelse om problemet på engelsk.
Du kan sjekke detaljene I den følgende lenken.