La empresa DeepMind, conocida por sus desarrollos en inteligencia artificial y la construcción de redes neuronales capaces de jugar videojuegos y juegos de mesa a nivel humano, presentó el proyecto AlphaCode, que desarrolla un sistema de aprendizaje automático para la generación de código, capaz de participar en competiciones de programación en la plataforma Codeforces y mostrar resultados promedio. Una de las características clave del desarrollo es la capacidad de generar código en lenguajes Python o C++, tomando como entrada texto en inglés que describe el problema.
Para probar el sistema, se seleccionaron 10 nuevas competiciones de Codeforces con más de 5000 participantes, realizadas después de que finalizara el entrenamiento del modelo de aprendizaje automático. Los resultados de la resolución de problemas permitieron que AlphaCode se ubicara aproximadamente a mitad de la tabla en dichas competiciones (54.3%). La calificación total pronosticada para AlphaCode fue de 1238 puntos, lo que lo posiciona en el Top 28% de todos los participantes de Codeforces que han competido al menos una vez en los últimos 6 meses. Se observa que el proyecto aún se encuentra en una fase inicial de desarrollo y se planea mejorar la calidad del código generado, así como desarrollar AlphaCode hacia sistemas que ayuden en la escritura de código o herramientas de desarrollo de aplicaciones que puedan ser utilizadas por personas sin habilidades de programación.
El proyecto utiliza una arquitectura de red neuronal «Transformer» combinada con métodos de muestreo y filtrado, lo que permite generar diversas variantes impredecibles de código que corresponden al texto en lenguaje natural. Después de filtrar, agrupar y clasificar, se selecciona el código funcional más óptimo del flujo de variantes generadas, el cual es luego verificado para asegurar que produzca el resultado correcto (en cada tarea de la competición se proporciona un ejemplo de datos de entrada y el resultado correspondiente que se debe obtener tras ejecutar el programa).
Para el entrenamiento inicial del sistema de aprendizaje automático se utilizó una base de código disponible en repositorios públicos de GitHub. Después de preparar el modelo inicial, se llevó a cabo una fase de optimización, implementada sobre la base de una colección de código con ejemplos de problemas y soluciones ofrecidos a los participantes de competiciones como Codeforces, CodeChef, HackerEarth, AtCoder y Aizu. En total, se utilizaron 715 GB de código de GitHub y más de un millón de ejemplos de soluciones a problemas típicos de competiciones. Antes de pasar a la generación del código, el texto del problema pasó por una fase de normalización, en la que se eliminó todo lo innecesario y se conservaron solo las partes significativas.
Fuente: opennet.ru
