DeepMind, відомий своїми розробками в області штучного інтелекту і створення нейронних мереж, здатних грати в комп’ютерні та настільні ігри на людському рівні, нещодавно представлені проект AlphaCode який описує, як система машинного навчання для генерації коду що ви можете брати участь у змаганнях з програмування на платформі Codeforces і демонструвати середній результат.
Згадується, що проект використовує архітектуру нейронної мережі «Трансформатор». у поєднанні з іншими методами вибірки та фільтрації для створення різних непередбачуваних варіантів коду, що відповідають тексту природною мовою.
Метод, як він працює АльфаКод заснований на фільтрації, групуванні та сортуванні, після чого переходить до вибору найбільш оптимального робочого коду зі згенерованого потоку параметрів, який потім перевіряється, щоб гарантувати отримання правильного результату (у кожному завданні конкурсу приклад вхідні дані та відповідний результат) до цього прикладу, який слід отримати після виконання програми).
Ми детально розповідаємо про AlphaCode, який використовує мовні моделі на основі трансформаторів для створення коду в безпрецедентному масштабі, а потім розумно відфільтровує невеликий набір перспективних програм.
Ми підтверджуємо свою ефективність за допомогою змагань, які проводяться на Codeforces, популярній платформі, на якій регулярно проводяться змагання, які залучають десятки тисяч учасників з усього світу, які приїжджають перевірити свої навички програмування. Ми вибрали для оцінки 10 останніх змагань, кожен із яких є новішим, ніж наші навчальні дані. AlphaCode був приблизно на одному рівні з середнім конкурентом, що стало першим випадком, коли система генерації коду AI досягла конкурентного рівня продуктивності в змаганнях з програмування.
Для приблизного системного навчання машинне навчання, підкреслюється, що використовувався базовий код, доступний у загальнодоступних репозиториях GitHub. Після підготовки початкової моделі був проведений етап оптимізації на основі колекції коду з прикладами проблем і рішень, запропонованих учасникам конкурсів Codeforces, CodeChef, HackerEarth, AtCoder і Aizu.
Всього для формування AlphaCode Використано 715 ГБ коду GitHub і більше мільйона прикладів вирішення типових проблем конкурсу. Перед тим як приступити до генерації коду, текст завдання пройшов фазу нормалізації, на якій все зайве було виключено і залишилися лише значущі частини.
Для тестування системи було відібрано 10 нових конкурсів Codeforces з понад 5.000 учасників, проведених після завершення навчання моделі машинного навчання.
Можу сміливо сказати, що результати AlphaCode перевершили мої очікування. Я був налаштований скептично, тому що навіть у простих змагальних задачах часто потрібно не тільки реалізувати алгоритм, а й (а це найважче) його винайти. AlphaCode зумів виступити на рівні нового перспективного конкурента. Я не можу дочекатися, щоб побачити, що буде!
МАЙК МІРЗАЯНОВ
ЗАСНОВНИК CODEFORCES
Результати виконання завдань дозволили для входу системи AlphaCode приблизно в середині кваліфікації цих змагань (54,3%). Передбачуваний загальний результат AlphaCode склав 1238 балів, що гарантує вхід до 28% найкращих серед усіх учасників Codeforces, які брали участь у змаганнях принаймні один раз за останні 6 місяців.
Слід зазначити, що зазначається, що проект все ще знаходиться на початковій стадії розробки і що в майбутньому планується покращити якість згенерованого коду, а також розробити AlphaСode в напрямку систем, які допомагають писати код, або інструменти розробки додатків, які можуть використовувати люди без навичок програмування.
В кінці кінців якщо вам цікаво дізнатись більше про це, ви повинні знати, що ключовою особливістю розробки є можливість генерувати код на Python або C++, беручи як текстове введення формулювання проблеми англійською мовою.
Ви можете перевірити деталі У наступному посиланні.