DeepMind, известная своими разработками в области искусственного интеллекта и создание нейронных сетей, способных играть в компьютерные и настольные игры на человеческом уровне. проект АльфаКод который описывает, как система машинного обучения для генерации кода что вы можете участвовать в соревнованиях по программированию на платформе Codeforces и показывать средний результат.
Упоминается, что проект использует архитектуру нейронной сети «Трансформер» в сочетании с другими методами выборки и фильтрации для генерации различных непредсказуемых вариантов кода, соответствующих тексту на естественном языке.
Метод как это работает АльфаСод основан на фильтрации, группировке и сортировке, после чего переходит к выбору наиболее оптимального рабочего кода из сформированного потока вариантов, который затем проверяется на получение правильного результата (в каждом задании конкурса пример входные данные и соответствующий результат) к этому примеру, который должен быть получен после выполнения программы).
Мы подробно описываем AlphaCode, который использует языковые модели на основе трансформеров для генерации кода в беспрецедентном масштабе, а затем интеллектуально отфильтровывает небольшой набор многообещающих программ.
Мы подтверждаем свою эффективность с помощью соревнований, проводимых на Codeforces, популярной платформе, на которой регулярно проводятся соревнования, привлекающие десятки тысяч участников со всего мира, которые приезжают, чтобы проверить свои навыки программирования. Мы выбрали для оценки 10 недавних соревнований, каждое из которых новее, чем наши тренировочные данные. AlphaCode был примерно на уровне среднего конкурента, что стало первым случаем, когда система генерации кода AI достигла конкурентоспособного уровня производительности в соревнованиях по программированию.
Для приблизительного обучения системы машинное обучение, подчеркивается, что использовался базовый код, доступный в общедоступных репозиториях GitHub.. После подготовки исходной модели был проведен этап оптимизации на основе коллекции кода с примерами проблем и решений, предложенных участникам конкурсов Codeforces, CodeChef, HackerEarth, AtCoder и Aizu.
Всего для формирования AlphaCode Использовано 715 ГБ кода GitHub и более миллиона примеров решения типовых задач конкурса. Прежде чем приступить к кодогенерации, текст задания прошел фазу нормализации, в ходе которой было исключено все лишнее и остались только значимые части.
Для тестирования системы было отобрано 10 новых конкурсов Codeforces с более чем 5.000 участников, проведенных после завершения обучения модели машинного обучения.
Могу смело сказать, что результаты AlphaCode превзошли мои ожидания. Я был настроен скептически, потому что даже в простых соревновательных задачах часто требуется не только реализовать алгоритм, но и (и это самое сложное) его придумать. AlphaCode удалось выступить на уровне перспективного нового конкурента. Я не могу дождаться, чтобы увидеть, что будет дальше!
МАЙК МИРЗАЯНОВ
ОСНОВАТЕЛЬ CODEFORCES
По результатам заданий разрешено чтобы система AlphaCode ввела примерно в середине квалификации этих соревнований (54,3%). Прогнозируемый общий балл AlphaCode составил 1238 баллов, что гарантировало попадание в число 28% лучших среди всех участников Codeforces, участвовавших в соревнованиях хотя бы раз за последние 6 месяцев.
Следует отметить, что наблюдается, что проект все еще находится в начальной стадии развития и что в будущем планируется улучшить качество генерируемого кода, а также развивать AlphaСode в сторону систем, помогающих писать код, или инструменты разработки приложений, которые могут использовать люди без навыков программирования.
В конце концов если вам интересно узнать об этом больше, вы должны знать, что ключевой особенностью разработки является возможность генерировать код на Python или C++, принимая в качестве текстового ввода постановку задачи на английском языке.
Вы можете проверить детали По следующей ссылке.