ডিপমাইন্ড একটি কাজের একটি পাঠ্য বিবরণ থেকে কোড তৈরি করার জন্য একটি মেশিন লার্নিং সিস্টেম উপস্থাপন করেছে

ডিপমাইন্ড কোম্পানি, কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে এবং মানব স্তরে কম্পিউটার এবং বোর্ড গেম খেলতে সক্ষম নিউরাল নেটওয়ার্ক নির্মাণের ক্ষেত্রে তার উন্নয়নের জন্য পরিচিত, আলফাকোড প্রকল্পটি উপস্থাপন করেছে, যা অংশগ্রহণ করতে পারে এমন কোড তৈরি করার জন্য একটি মেশিন লার্নিং সিস্টেম তৈরি করছে। কোডফোর্স প্ল্যাটফর্মে প্রোগ্রামিং প্রতিযোগিতায় এবং গড় ফলাফল প্রদর্শন করে। বিকাশের একটি প্রধান বৈশিষ্ট্য হল পাইথন বা C++-এ কোড তৈরি করার ক্ষমতা, ইংরেজিতে একটি সমস্যা বিবৃতি সহ একটি পাঠ্য ইনপুট হিসাবে গ্রহণ করা।

সিস্টেমটি পরীক্ষা করার জন্য, 10 টিরও বেশি অংশগ্রহণকারীদের সাথে 5000টি নতুন Codeforces প্রতিযোগিতা নির্বাচন করা হয়েছিল, যা মেশিন লার্নিং মডেলের প্রশিক্ষণ সমাপ্তির পরে অনুষ্ঠিত হয়েছিল। কাজগুলি সম্পূর্ণ করার ফলাফলগুলি আলফাকোড সিস্টেমকে এই প্রতিযোগিতাগুলির রেটিং (54.3%) প্রায় মাঝখানে প্রবেশ করতে দেয়। AlphaCode-এর পূর্বাভাসিত সামগ্রিক রেটিং ছিল 1238 পয়েন্ট, যা গত 28 মাসে অন্তত একবার প্রতিযোগিতায় অংশগ্রহণকারী সমস্ত Codeforces অংশগ্রহণকারীদের মধ্যে শীর্ষ 6%-এ প্রবেশ নিশ্চিত করে৷ এটি উল্লেখ করা হয়েছে যে প্রকল্পটি এখনও বিকাশের প্রাথমিক পর্যায়ে রয়েছে এবং ভবিষ্যতে এটি তৈরি করা কোডের গুণমান উন্নত করার পরিকল্পনা করা হয়েছে, সেইসাথে কোড লিখতে সাহায্য করে এমন সিস্টেমগুলির দিকে আলফাকোড বিকাশের পরিকল্পনা করা হয়েছে, বা অ্যাপ্লিকেশন ডেভেলপমেন্ট টুল যা হতে পারে প্রোগ্রামিং দক্ষতা ছাড়া মানুষ দ্বারা ব্যবহৃত.

প্রকল্পটি নমুনা এবং ফিল্টারিং কৌশলগুলির সংমিশ্রণে ট্রান্সফরমার নিউরাল নেটওয়ার্ক আর্কিটেকচার ব্যবহার করে প্রাকৃতিক ভাষার পাঠ্যের সাথে সামঞ্জস্যপূর্ণ বিভিন্ন অপ্রত্যাশিত কোড বৈকল্পিক তৈরি করতে। ফিল্টারিং, ক্লাস্টারিং এবং র‌্যাঙ্কিংয়ের পরে, বিকল্পগুলির উত্পন্ন স্ট্রীম থেকে সর্বাধিক সর্বোত্তম কাজের কোডটি বাদ দেওয়া হয়, যা সঠিক ফলাফল প্রাপ্ত হয়েছে কিনা তা নিশ্চিত করার জন্য পরীক্ষা করা হয় (প্রতিটি প্রতিযোগিতামূলক কাজ ইনপুট ডেটার একটি উদাহরণ এবং এই উদাহরণের সাথে সম্পর্কিত ফলাফল নির্দেশ করে। , যা প্রোগ্রামটি কার্যকর করার পরে প্রাপ্ত করা উচিত)।

মোটামুটিভাবে মেশিন লার্নিং সিস্টেমকে প্রশিক্ষণ দেওয়ার জন্য, আমরা পাবলিক গিটহাব রিপোজিটরিতে উপলব্ধ একটি কোড বেস ব্যবহার করেছি। প্রাথমিক মডেল প্রস্তুত করার পর, কোডফোর্স, কোডশেফ, হ্যাকারআর্থ, অ্যাটকোডার এবং আইজু প্রতিযোগিতায় অংশগ্রহণকারীদের দ্বারা প্রস্তাবিত সমস্যা এবং সমাধানের উদাহরণ সহ কোডের সংগ্রহের ভিত্তিতে একটি অপ্টিমাইজেশান পর্যায় সম্পন্ন করা হয়েছিল। মোট, GitHub থেকে 715 GB কোড এবং সাধারণ প্রতিযোগিতার সমস্যার সমাধানের লক্ষাধিক উদাহরণ প্রশিক্ষণের জন্য ব্যবহার করা হয়েছিল। কোড জেনারেশনে যাওয়ার আগে, টাস্ক টেক্সটটি একটি স্বাভাবিকীকরণ পর্বের মধ্য দিয়ে গিয়েছিল, যার সময় অপ্রয়োজনীয় সবকিছু মুছে ফেলা হয়েছিল এবং শুধুমাত্র উল্লেখযোগ্য অংশগুলি অবশিষ্ট ছিল।

উত্স: opennet.ru