DeepMind, znan po svojem razvoju na področju umetne inteligence in izgradnjo nevronskih mrež, ki so sposobne igrati računalniške in družabne igre na človeški ravni, ki so bile nedavno predstavljene projekt AlphaCode ki opisuje, kako sistem strojnega učenja za generiranje kode da lahko sodelujete na tekmovanjih v programiranju na platformi Codeforces in pokažete povprečen rezultat.
Omenjeno je, da projekt uporablja arhitekturo nevronske mreže "Transformer". v kombinaciji z drugimi metodami vzorčenja in filtriranja za generiranje različnih nepredvidljivih različic kode, ki ustrezajo besedilu v naravnem jeziku.
Metoda, kako deluje AlphaСode temelji na filtriranju, združevanju in razvrščanju, nato pa nadaljuje z izbiro najbolj optimalne delovne kode iz ustvarjenega toka možnosti, ki se nato preveri, da se zagotovi pravilen rezultat (v vsaki nalogi tekmovanja primer vhodne podatke in ustrezen rezultat) k temu primeru, ki ga je treba pridobiti po izvedbi programa).
Podrobno opisujemo AlphaCode, ki uporablja jezikovne modele, ki temeljijo na transformatorju, za ustvarjanje kode v obsegu brez primere, nato pa inteligentno filtrira majhen nabor obetavnih programov.
Svojo uspešnost potrjujemo s tekmovanji, ki gostujejo na Codeforces, priljubljeni platformi, ki gosti redna tekmovanja, ki privabijo na desetine tisoč udeležencev z vsega sveta, ki pridejo preizkusiti svoje veščine kodiranja. Za ocenjevanje smo izbrali 10 nedavnih tekmovanj, od katerih je vsako novejše od naših podatkov o usposabljanju. AlphaCode je bil približno enak povprečnemu konkurentu, kar je bilo prvič, da je sistem za generiranje kode AI dosegel konkurenčno raven zmogljivosti na tekmovanjih v programiranju.
Za približno sistemsko usposabljanje strojno učenje, poudarjeno je, da je bila uporabljena osnovna koda, ki je na voljo v javnih repozitorijih GitHub. Po pripravi začetnega modela je bila izvedena faza optimizacije na podlagi zbirke kod s primeri problemov in rešitev, ki so jih ponudili udeležencem tekmovanj Codeforces, CodeChef, HackerEarth, AtCoder in Aizu.
Skupaj za oblikovanje AlphaCode Uporabljeno je 715 GB kode GitHub in več kot milijon primerov rešitev tipičnih problemov tekmovanja. Preden smo nadaljevali z generiranjem kode, je besedilo naloge šlo skozi fazo normalizacije, v kateri je bilo vse odvečno izključeno in so ostali le pomembni deli.
Za testiranje sistema je bilo izbranih 10 novih tekmovanj Codeforces z več kot 5.000 udeleženci, ki so potekala po zaključku usposabljanja modela strojnega učenja.
Lahko rečem, da so rezultati AlphaCode presegli moja pričakovanja. Bil sem skeptičen, saj je tudi pri preprostih tekmovalnih težavah pogosto potrebno ne le implementirati algoritem, ampak ga (in to je najtežje) tudi izumiti. AlphaCode je uspel nastopiti na ravni obetavnega novega konkurenta. Komaj čakam, da vidim, kaj prihaja!
MIKE MIRZAJANOV
USTANOVITELJ CODEFORCES
Rezultati nalog so dovoljeni za vstop v sistem AlphaCode približno na sredini kvalifikacij teh tekmovanj (54,3 %). Predvidena skupna ocena AlphaCode je bila 1238 točk, kar je zagotovilo vstop v najboljših 28 % vseh udeležencev Codeforces, ki so se udeležili tekmovanj vsaj enkrat v zadnjih 6 mesecih.
Pri tem je treba opozoriti, da je projekt še vedno v začetni fazi razvoja in da je v prihodnosti načrtovano izboljšanje kakovosti generirane kode, kot tudi razvoj AlphaСode v smeri sistemov, ki pomagajo pisati kodo, ali orodja za razvoj aplikacij, ki jih lahko uporabljajo ljudje brez znanja programiranja.
Končno če vas zanima več o tem, morate vedeti, da je ključna razvojna značilnost možnost generiranja kode v Pythonu ali C++, pri čemer kot vnos besedila vzamete izjavo o težavi v angleščini.
Lahko preverite podrobnosti V naslednji povezavi.