{"id":100141,"date":"2021-05-11T22:22:44","date_gmt":"2021-05-11T20:22:44","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/ibm-otkryl-codenet-dlya-sistem-mashinnogo-obucheniya-transliruyushhih-i-proveryayushhih-kod"},"modified":"2021-05-11T22:22:44","modified_gmt":"2021-05-11T20:22:44","slug":"ibm-otkryl-codenet-dlya-sistem-mashinnogo-obucheniya-transliruyushhih-i-proveryayushhih-kod","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/ibm-otkryl-codenet-dlya-sistem-mashinnogo-obucheniya-transliruyushhih-i-proveryayushhih-kod","title":{"rendered":"IBM hat CodeNet f\u00fcr maschinelles Lernen ins Leben gerufen, um Code zu \u00fcbersetzen und zu \u00fcberpr\u00fcfen.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
IBM hat die Initiative CodeNet vorgestellt, die Forschern einen Datensatz bereitstellt, mit dem sie experimentieren k\u00f6nnen, um maschinelles Lernen zur Erstellung von \u00dcbersetzern zwischen Programmiersprachen sowie Code-Generatoren und -Analysatoren einzusetzen. CodeNet umfasst eine Sammlung von 14 Millionen Codebeispielen, die 4053 g\u00e4ngige Programmierprobleme l\u00f6sen. Insgesamt umfasst die Sammlung etwa 500 Millionen Codezeilen und deckt 55 Programmiersprachen ab, sowohl moderne Sprachen wie C++, Java, Python und Go als auch \u00e4ltere wie COBOL, Pascal und FORTRAN. Die Ergebnisse des Projekts werden unter der Lizenz Apache 2.0 verbreitet, und die Datens\u00e4tze sollen als gemeinfrei zur Verf\u00fcgung gestellt werden. <\/p>\n
Die bereitgestellten Beispiele sind mit Kommentaren versehen und implementieren identische Algorithmen in verschiedenen Programmiersprachen. Es wird angenommen, dass das angebotene Set zur Schulung von Machine-Learning-Systemen und zur F\u00f6rderung von Innovationen im Bereich der \u00dcbersetzung und maschinellen Codeanalyse beitragen wird, \u00e4hnlich wie das annotierte Bilddatenbank-Set ImageNet zur Entwicklung von Mustererkennungssystemen und maschinellem Sehen beigetragen hat. Als eine der Hauptquellen zur Bildung der Sammlung werden verschiedene Programmierwettbewerbe genannt. <\/p>\n
Im Gegensatz zu traditionellen \u00dcbersetzern, die auf Regeltransformationen basieren, k\u00f6nnen Machine-Learning-Systeme den Kontext der Nutzung des Codes erfassen und ber\u00fccksichtigen. Bei der Umwandlung von einer Programmiersprache in eine andere ist der Kontext ebenso wichtig wie bei der \u00dcbersetzung von einer menschlichen Sprache in eine andere. Genau das Fehlen der Kontextber\u00fccksichtigung erschwert die Umwandlung von Codes aus veralteten Sprachen wie COBOL. <\/p>\n
Eine umfangreiche Sammlung von Implementierungen von Algorithmen in verschiedenen Programmiersprachen wird die Entwicklung universeller Systeme f\u00fcr maschinelles Lernen unterst\u00fctzen. Anstelle einer direkten \u00dcbersetzung zwischen speziellen Sprachen wird hier mit einer abstrakteren Darstellung von Code gearbeitet, die unabh\u00e4ngig von bestimmten Programmiersprachen ist. Ein solches System kann als \u00dcbersetzer fungieren, der den \u00fcbermittelten Code in eine interne abstrakte Darstellung \u00fcbertr\u00e4gt, aus der dann Code in mehreren Programmiersprachen generiert werden kann. <\/p>\n
Das System wird auch bidirektionale Transformationsm\u00f6glichkeiten bieten. Beispielsweise werden in Banken und \u00f6ffentlichen Einrichtungen nach wie vor Projekte in der veralteten Programmiersprache COBOL verwendet. Ein auf maschinellem Lernen basierender \u00dcbersetzer kann COBOL-Code in eine Java-Darstellung umwandeln und bei Bedarf auch einen Teil von Java zur\u00fcck in COBOL-Code \u00fcbersetzen. <\/p>\n
Neben der \u00dcbertragung zwischen Sprachen werden im CodeNet Anwendungsbereiche wie die Erstellung intelligenter Code-Suchsysteme und die Automatisierung der Klonidentifizierung erw\u00e4hnt, sowie die Entwicklung von Optimierern und Systemen zur automatischen Korrektur von Code. Insbesondere sind die im CodeNet vorgestellten Beispiele mit Metadaten versehen, die die Testergebnisse zur Leistung, die resultierende Programmgr\u00f6\u00dfe, den Speicherverbrauch und den Zustand beschreiben, der es erm\u00f6glicht, korrekten Code von fehlerhaftem Code zu unterscheiden (um den richtigen Code von fehlerhaftem zu unterscheiden, sind Abschnitte mit Fehlern speziell in die Sammlung aufgenommen, deren Anteil 29,5 % betr\u00e4gt). Das maschinelle Lernsystem kann diese Metadaten ber\u00fccksichtigen, um den optimalsten Code zu generieren oder um Regressionen im analysierten Code zu identifizieren (das System kann verstehen, dass der \u00fcbergebene Code nicht optimal implementiert oder fehlerhaft ist). \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"