A empresa DeepMind, coñecida polos seus desenvolvementos no campo da intelixencia artificial e a construción de redes neuronais capaces de xogar a xogos de ordenador e de mesa a nivel humano, presentou o proxecto AlphaCode, que está a desenvolver un sistema de aprendizaxe automática para xerar código que pode participar. en competicións de programación na plataforma Codeforces e demostrar un resultado medio. Unha característica fundamental do desenvolvemento é a capacidade de xerar código en Python ou C++, tomando como entrada un texto cunha declaración de problema en inglés.
Para probar o sistema, seleccionáronse 10 novas competicións de Codeforces con máis de 5000 participantes, celebradas despois de completar o adestramento do modelo de aprendizaxe automática. Os resultados de completar as tarefas permitiron ao sistema AlphaCode entrar aproximadamente na metade da valoración destas competicións (54.3%). A valoración global prevista de AlphaСode era de 1238 puntos, o que garante a entrada no Top 28% entre todos os participantes de Codeforces que participaron en competicións polo menos unha vez nos últimos 6 meses. Sinálase que o proxecto aínda está na fase inicial de desenvolvemento e no futuro prevese mellorar a calidade do código xerado, así como desenvolver AlphaCode cara a sistemas que axuden na escritura de código, ou ferramentas de desenvolvemento de aplicacións que se poidan usado por persoas sen habilidades de programación.
O proxecto utiliza a arquitectura de rede neuronal Transformer en combinación con técnicas de mostraxe e filtrado para xerar varias variantes de código impredicibles que se corresponden con texto en linguaxe natural. Despois de filtrar, agrupar e clasificar, o código de traballo máis óptimo elimínase do fluxo de opcións xerado, que despois se verifica para asegurarse de que se obtén o resultado correcto (cada tarefa da competición indica un exemplo de datos de entrada e o resultado correspondente a este exemplo. , que debería obterse despois de executar o programa).
Para adestrar aproximadamente o sistema de aprendizaxe automática, usamos unha base de código dispoñible nos repositorios públicos de GitHub. Despois de elaborar o modelo inicial, levouse a cabo unha fase de optimización, baseada nunha colección de código con exemplos de problemas e solucións propostas polos participantes nos concursos Codeforces, CodeChef, HackerEarth, AtCoder e Aizu. En total, utilizáronse para o adestramento 715 GB de código de GitHub e máis dun millón de exemplos de solucións a problemas típicos da competición. Antes de pasar á xeración de código, o texto da tarefa pasou por unha fase de normalización, durante a cal se eliminou todo o innecesario e só quedaron partes significativas.
Fonte: opennet.ru