आईबीएम मशीन लर्निंग सिस्टम के लिए कोडनेट खोलता है जो कोड का अनुवाद और सत्यापन करता है

आईबीएम ने अपनी कोडनेट पहल का अनावरण किया है, जिसका उद्देश्य शोधकर्ताओं को एक डेटासेट प्रदान करना है जो उन्हें प्रोग्रामिंग भाषा अनुवादक, कोड जनरेटर और विश्लेषक बनाने के लिए मशीन लर्निंग तकनीकों के उपयोग के साथ प्रयोग करने की अनुमति देता है। कोडनेट में 14 मिलियन कोड उदाहरणों का संग्रह शामिल है जो 4053 सामान्य प्रोग्रामिंग समस्याओं को हल करता है। कुल मिलाकर, संग्रह में कोड की लगभग 500 मिलियन पंक्तियाँ हैं और 55 प्रोग्रामिंग भाषाओं को शामिल किया गया है, दोनों आधुनिक भाषाएँ जैसे C++, जावा, पायथन और गो, और COBOL, पास्कल और फोरट्रान सहित विरासत भाषाएँ। परियोजना के विकास को अपाचे 2.0 लाइसेंस के तहत वितरित किया जाता है, और डेटा सेट को सार्वजनिक डोमेन के रूप में वितरित करने की योजना बनाई गई है।

उदाहरणों को एनोटेट किया गया है और विभिन्न प्रोग्रामिंग भाषाओं में समान एल्गोरिदम लागू किए गए हैं। यह उम्मीद की जाती है कि प्रस्तावित सेट मशीन लर्निंग सिस्टम को प्रशिक्षित करने और अनुवाद और मशीन कोड पार्सिंग के क्षेत्र में नवाचार विकसित करने में मदद करेगा, ठीक उसी तरह जैसे इमेजनेट एनोटेटेड इमेज डेटाबेस ने पैटर्न पहचान और कंप्यूटर विज़न सिस्टम के विकास में मदद की। विभिन्न प्रोग्रामिंग प्रतियोगिताओं को संग्रह निर्माण के मुख्य स्रोतों में से एक के रूप में उद्धृत किया जाता है।

पारंपरिक अनुवादकों के विपरीत, जिन्हें अनुवाद नियमों के आधार पर कार्यान्वित किया जाता है, मशीन लर्निंग सिस्टम कोड उपयोग के संदर्भ को पकड़ और ध्यान में रख सकते हैं। एक प्रोग्रामिंग भाषा से दूसरी प्रोग्रामिंग भाषा में परिवर्तित करते समय, संदर्भ उतना ही महत्वपूर्ण होता है जितना एक मानव भाषा से दूसरी मानव भाषा में अनुवाद करते समय। संदर्भ विचार की यह कमी ही कोड को COBOL जैसी पुरानी भाषाओं से परिवर्तित होने से रोकती है।

विभिन्न भाषाओं में एल्गोरिथ्म कार्यान्वयन का एक बड़ा डेटाबेस होने से सार्वभौमिक मशीन लर्निंग सिस्टम बनाने में मदद मिलेगी, जो विशिष्ट भाषाओं के बीच सीधे अनुवाद के बजाय, विशिष्ट प्रोग्रामिंग भाषाओं से स्वतंत्र, कोड के अधिक अमूर्त प्रतिनिधित्व में हेरफेर करता है। ऐसी प्रणाली का उपयोग एक अनुवादक के रूप में किया जा सकता है, जो किसी भी समर्थित भाषा में प्रेषित कोड को उसके आंतरिक अमूर्त प्रतिनिधित्व में अनुवादित करता है, जिससे कोड को कई भाषाओं में उत्पन्न किया जा सकता है।

सिस्टम द्विदिशात्मक परिवर्तन करने में भी सक्षम होगा। उदाहरण के लिए, बैंक और सरकारी एजेंसियां ​​पुरानी COBOL भाषा में परियोजनाओं का उपयोग करना जारी रखती हैं। एक मशीन लर्निंग-आधारित अनुवादक COBOL कोड को जावा प्रतिनिधित्व में परिवर्तित करने में सक्षम होगा, और यदि आवश्यक हो, तो जावा टुकड़े को वापस COBOL कोड में अनुवादित करेगा।

भाषाओं के बीच अनुवाद के अलावा, कोडनेट के अनुप्रयोग के ऐसे क्षेत्रों का उल्लेख किया गया है जैसे स्मार्ट कोड खोज प्रणालियों का निर्माण और क्लोन डिटेक्शन का स्वचालन, साथ ही ऑप्टिमाइज़र और स्वचालित कोड सुधार प्रणालियों का विकास। विशेष रूप से, कोडनेट में प्रस्तुत उदाहरण प्रदर्शन परीक्षण के परिणामों, परिणामी प्रोग्राम आकार, मेमोरी खपत और स्थिति का वर्णन करने वाले मेटाडेटा से लैस हैं, जो हमें त्रुटियों वाले कोड से सही कोड को अलग करने की अनुमति देता है (गलत कोड से सही कोड को अलग करने के लिए, संग्रह में विशेष रूप से त्रुटियों वाले उदाहरण शामिल हैं, जिनकी हिस्सेदारी 29.5% है)। एक मशीन लर्निंग सिस्टम सबसे इष्टतम कोड उत्पन्न करने या विश्लेषण किए गए कोड में प्रतिगमन की पहचान करने के लिए इस मेटाडेटा को ध्यान में रख सकता है (सिस्टम समझ सकता है कि सबमिट किए गए कोड में एल्गोरिदम इष्टतम रूप से कार्यान्वित नहीं किया गया है या इसमें त्रुटियां हैं)।

स्रोत: opennet.ru