IBM એ મશીન લર્નિંગ સિસ્ટમ્સ માટે કોડનેટ ખોલે છે જે કોડનો અનુવાદ અને ચકાસણી કરે છે

IBM એ તેની કોડનેટ પહેલનું અનાવરણ કર્યું છે, જેનો હેતુ સંશોધકોને ડેટાસેટ પ્રદાન કરવાનો છે જે તેમને પ્રોગ્રામિંગ ભાષા અનુવાદકો, કોડ જનરેટર અને વિશ્લેષકો બનાવવા માટે મશીન લર્નિંગ તકનીકોના ઉપયોગ સાથે પ્રયોગ કરવાની મંજૂરી આપે છે. કોડનેટમાં 14 મિલિયન કોડ ઉદાહરણોનો સંગ્રહ શામેલ છે જે 4053 સામાન્ય પ્રોગ્રામિંગ સમસ્યાઓ હલ કરે છે. કુલ મળીને, સંગ્રહમાં કોડની લગભગ 500 મિલિયન લાઇન છે અને 55 પ્રોગ્રામિંગ ભાષાઓને આવરી લે છે, બંને આધુનિક ભાષાઓ જેમ કે C++, Java, Python અને Go, અને COBOL, Pascal અને FORTRAN સહિતની લેગસી ભાષાઓ. પ્રોજેક્ટના વિકાસને અપાચે 2.0 લાયસન્સ હેઠળ વિતરિત કરવામાં આવે છે, અને ડેટા સેટ્સ જાહેર ડોમેનના સ્વરૂપમાં વિતરિત કરવાની યોજના છે.

ઉદાહરણો એનોટેટેડ છે અને વિવિધ પ્રોગ્રામિંગ ભાષાઓમાં સમાન અલ્ગોરિધમનો અમલ કરે છે. એવી અપેક્ષા રાખવામાં આવે છે કે સૂચિત સેટ મશીન લર્નિંગ સિસ્ટમને તાલીમ આપવામાં અને અનુવાદ અને મશીન કોડ પાર્સિંગના ક્ષેત્રમાં નવીનતાઓ વિકસાવવામાં મદદ કરશે, જેમ કે ઇમેજનેટ એનોટેડ ઇમેજ ડેટાબેસે પેટર્ન ઓળખ અને કમ્પ્યુટર વિઝન સિસ્ટમ્સના વિકાસમાં મદદ કરી હતી. વિવિધ પ્રોગ્રામિંગ સ્પર્ધાઓને સંગ્રહ રચનાના મુખ્ય સ્ત્રોતોમાંના એક તરીકે ટાંકવામાં આવે છે.

પરંપરાગત અનુવાદકોથી વિપરીત, જે અનુવાદના નિયમોના આધારે લાગુ કરવામાં આવે છે, મશીન લર્નિંગ સિસ્ટમ્સ કોડના ઉપયોગના સંદર્ભને કેપ્ચર કરી શકે છે અને ધ્યાનમાં લઈ શકે છે. એક પ્રોગ્રામિંગ ભાષામાંથી બીજી ભાષામાં રૂપાંતર કરતી વખતે, એક માનવ ભાષામાંથી બીજી ભાષામાં અનુવાદ કરતી વખતે સંદર્ભ એટલો જ મહત્વપૂર્ણ છે. સંદર્ભ વિચારણાનો આ અભાવ કોડને લેગસી ભાષાઓ જેમ કે COBOL માંથી રૂપાંતરિત થતા અટકાવે છે.

અલગ-અલગ ભાષાઓમાં એલ્ગોરિધમ અમલીકરણનો મોટો ડેટાબેઝ રાખવાથી યુનિવર્સલ મશીન લર્નિંગ સિસ્ટમ્સ બનાવવામાં મદદ મળશે જે ચોક્કસ ભાષાઓ વચ્ચે સીધા અનુવાદને બદલે, ચોક્કસ પ્રોગ્રામિંગ ભાષાઓથી સ્વતંત્ર, કોડના વધુ અમૂર્ત પ્રતિનિધિત્વમાં ફેરફાર કરે છે. આવી સિસ્ટમનો ઉપયોગ અનુવાદક તરીકે કરી શકાય છે, કોઈપણ સપોર્ટેડ ભાષાઓમાં ટ્રાન્સમિટેડ કોડને તેની આંતરિક અમૂર્ત રજૂઆતમાં અનુવાદિત કરી શકાય છે, જેમાંથી કોડ પછી બહુવિધ ભાષાઓમાં જનરેટ કરી શકાય છે.

સિસ્ટમ દ્વિપક્ષીય પરિવર્તન કરવા માટે પણ સક્ષમ હશે. ઉદાહરણ તરીકે, બેંકો અને સરકારી એજન્સીઓ જૂની COBOL ભાષામાં પ્રોજેક્ટનો ઉપયોગ કરવાનું ચાલુ રાખે છે. મશીન લર્નિંગ-આધારિત અનુવાદક COBOL કોડને જાવા રજૂઆતમાં રૂપાંતરિત કરી શકશે અને, જો જરૂરી હોય તો, જાવા ટુકડાને COBOL કોડમાં પાછું અનુવાદિત કરી શકશે.

ભાષાઓ વચ્ચેના અનુવાદ ઉપરાંત, કોડનેટના ઉપયોગના ક્ષેત્રો જેમ કે સ્માર્ટ કોડ સર્ચ સિસ્ટમ્સનું નિર્માણ અને ક્લોન ડિટેક્શનનું ઓટોમેશન, તેમજ ઑપ્ટિમાઇઝર્સ અને ઑટોમેટિક કોડ કરેક્શન સિસ્ટમ્સના વિકાસનો ઉલ્લેખ કરવામાં આવ્યો છે. ખાસ કરીને, કોડનેટમાં પ્રસ્તુત ઉદાહરણો મેટાડેટાથી સજ્જ છે જે પ્રદર્શન પરીક્ષણના પરિણામો, પરિણામી પ્રોગ્રામ કદ, મેમરી વપરાશ અને સ્થિતિનું વર્ણન કરે છે, જે અમને ભૂલોવાળા કોડથી સાચા કોડને અલગ પાડવાની મંજૂરી આપે છે (ખોટા કોડથી સાચા કોડને અલગ પાડવા માટે, સંગ્રહમાં ખાસ કરીને ભૂલોવાળા ઉદાહરણોનો સમાવેશ થાય છે, જેનો હિસ્સો 29.5% છે). મશીન લર્નિંગ સિસ્ટમ આ મેટાડેટાને સૌથી વધુ શ્રેષ્ઠ કોડ જનરેટ કરવા અથવા વિશ્લેષિત કોડમાં રીગ્રેસન ઓળખવા માટે ધ્યાનમાં લઈ શકે છે (સિસ્ટમ સમજી શકે છે કે સબમિટ કરેલા કોડમાં અલ્ગોરિધમ શ્રેષ્ઠ રીતે લાગુ કરવામાં આવ્યું નથી અથવા તેમાં ભૂલો છે).

સોર્સ: opennet.ru