La kompanio DeepMind, konata pro siaj evoluoj en la kampo de artefarita inteligenteco kaj konstruado de neŭralaj retoj kapablaj ludi komputilajn kaj tabulludojn je homa nivelo, prezentis la projekton AlphaCode, kiu disvolvas maŝinlernsistemon por generi kodon, kiu povas partopreni. en programado de konkursoj sur la platformo Codeforces kaj pruvi averaĝan rezulton. Ĉefa trajto de la evoluo estas la kapablo generi kodon en Python aŭ C++, prenante kiel enigo tekston kun problemo-deklaro en la angla.
Por testi la sistemon, 10 novaj Codeforces-konkuradoj kun pli ol 5000 partoprenantoj estis elektitaj, okazigitaj post la kompletigo de trejnado de la maŝinlernada modelo. La rezultoj de kompletigado de la taskoj permesis al la AlphaCode-sistemo eniri proksimume la mezon de la rangigo de tiuj konkuradoj (54.3%). La antaŭvidita totala rangigo de AlphaСode estis 1238 poentoj, kio certigas eniron en la Supran 28% inter ĉiuj Codeforces partoprenantoj, kiuj partoprenis konkursojn almenaŭ unufoje dum la pasintaj 6 monatoj. Oni rimarkas, ke la projekto estas ankoraŭ en la komenca etapo de evoluo kaj estonte oni planas plibonigi la kvaliton de la generita kodo, kaj ankaŭ disvolvi AlphaCode al sistemoj, kiuj helpas skribi kodon, aŭ aplikajn evoluilojn, kiuj povas esti. uzata de homoj sen programado.
La projekto uzas la arkitekturon de neŭrala reto Transformer en kombinaĵo kun specimenaj kaj filtraj teknikoj por generi diversajn neantaŭvideblajn kodvariaĵojn kiuj respondas al naturlingva teksto. Post filtrado, grupigo kaj rango, la plej optimuma laborkodo estas forigita de la generita fluo de opcioj, kiu tiam estas kontrolita por certigi, ke la ĝusta rezulto estas akirita (ĉiu konkursa tasko indikas ekzemplon de eniga datumo kaj la rezulto responda al ĉi tiu ekzemplo. , kiu devus esti akirita post ekzekuto de la programo).
Por proksimume trejni la maŝinlernsistemon, ni uzis kodbazon disponeblan en publikaj GitHub-deponejoj. Post preparo de la komenca modelo, optimumiga fazo estis efektivigita, surbaze de kolekto de kodo kun ekzemploj de problemoj kaj solvoj proponitaj de partoprenantoj en la Codeforces, CodeChef, HackerEarth, AtCoder kaj Aizu-konkuradoj. Entute, 715 GB da kodo de GitHub kaj pli ol miliono da ekzemploj de solvoj al tipaj konkuradproblemoj estis uzitaj por trejnado. Antaŭ ol transiri al kodgenerado, la taskoteksto trapasis normaligan fazon, dum kiu ĉio nenecesa estis eliminita kaj nur signifaj partoj restis.
fonto: opennet.ru