डीपमाइंड ने किसी कार्य के पाठ विवरण से कोड उत्पन्न करने के लिए एक मशीन लर्निंग सिस्टम प्रस्तुत किया

डीपमाइंड कंपनी, जो कृत्रिम बुद्धिमत्ता के क्षेत्र में अपने विकास और मानव स्तर पर कंप्यूटर और बोर्ड गेम खेलने में सक्षम तंत्रिका नेटवर्क के निर्माण के लिए जानी जाती है, ने अल्फ़ाकोड परियोजना प्रस्तुत की, जो भाग लेने वाले कोड उत्पन्न करने के लिए एक मशीन लर्निंग सिस्टम विकसित कर रही है। कोडफोर्स प्लेटफॉर्म पर प्रोग्रामिंग प्रतियोगिताओं में और औसत परिणाम प्रदर्शित करते हैं। विकास की एक प्रमुख विशेषता अंग्रेजी में समस्या कथन के साथ एक पाठ को इनपुट के रूप में लेते हुए, पायथन या सी++ में कोड उत्पन्न करने की क्षमता है।

सिस्टम का परीक्षण करने के लिए, 10 से अधिक प्रतिभागियों के साथ 5000 नई कोडफोर्सेस प्रतियोगिताओं का चयन किया गया, जो मशीन लर्निंग मॉडल के प्रशिक्षण के पूरा होने के बाद आयोजित की गईं। कार्यों को पूरा करने के परिणामों ने अल्फ़ाकोड प्रणाली को इन प्रतियोगिताओं की रेटिंग के लगभग मध्य (54.3%) में प्रवेश करने की अनुमति दी। अल्फ़ाकोड की अनुमानित समग्र रेटिंग 1238 अंक थी, जो पिछले 28 महीनों में कम से कम एक बार प्रतियोगिताओं में भाग लेने वाले सभी कोडफोर्स प्रतिभागियों के बीच शीर्ष 6% में प्रवेश सुनिश्चित करती है। यह ध्यान दिया जाता है कि परियोजना अभी भी विकास के प्रारंभिक चरण में है और भविष्य में जेनरेट किए गए कोड की गुणवत्ता में सुधार करने की योजना बनाई गई है, साथ ही ऐसे सिस्टम के लिए अल्फ़ाकोड विकसित करने की योजना है जो कोड लिखने में मदद करते हैं, या एप्लिकेशन डेवलपमेंट टूल जो हो सकते हैं प्रोग्रामिंग कौशल के बिना लोगों द्वारा उपयोग किया जाता है।

यह परियोजना प्राकृतिक भाषा पाठ के अनुरूप विभिन्न अप्रत्याशित कोड वेरिएंट उत्पन्न करने के लिए नमूनाकरण और फ़िल्टरिंग तकनीकों के संयोजन में ट्रांसफार्मर न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करती है। फ़िल्टरिंग, क्लस्टरिंग और रैंकिंग के बाद, सबसे इष्टतम कामकाजी कोड को विकल्पों की उत्पन्न स्ट्रीम से हटा दिया जाता है, जिसे तब यह सुनिश्चित करने के लिए जांचा जाता है कि सही परिणाम प्राप्त हुआ है (प्रत्येक प्रतियोगिता कार्य इनपुट डेटा का एक उदाहरण और इस उदाहरण के अनुरूप परिणाम इंगित करता है) , जिसे प्रोग्राम निष्पादित करने के बाद प्राप्त किया जाना चाहिए)।

मशीन लर्निंग सिस्टम को मोटे तौर पर प्रशिक्षित करने के लिए, हमने सार्वजनिक GitHub रिपॉजिटरी में उपलब्ध कोड बेस का उपयोग किया। प्रारंभिक मॉडल तैयार करने के बाद, कोडफोर्स, कोडशेफ, हैकरअर्थ, एटकोडर और ऐज़ू प्रतियोगिताओं में प्रतिभागियों द्वारा प्रस्तावित समस्याओं और समाधानों के उदाहरणों के साथ कोड के संग्रह के आधार पर एक अनुकूलन चरण चलाया गया। कुल मिलाकर, GitHub से 715 जीबी कोड और विशिष्ट प्रतिस्पर्धा समस्याओं के समाधान के दस लाख से अधिक उदाहरण प्रशिक्षण के लिए उपयोग किए गए थे। कोड जनरेशन पर आगे बढ़ने से पहले, कार्य टेक्स्ट सामान्यीकरण चरण से गुज़रा, जिसके दौरान सभी अनावश्यक हटा दिया गया और केवल महत्वपूर्ण हिस्से बचे थे।

स्रोत: opennet.ru