ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಬೆಳವಣಿಗೆಗಳು ಮತ್ತು ಮಾನವ ಮಟ್ಟದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ಮತ್ತು ಬೋರ್ಡ್ ಆಟಗಳನ್ನು ಆಡುವ ಸಾಮರ್ಥ್ಯವಿರುವ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ ನಿರ್ಮಾಣಕ್ಕೆ ಹೆಸರುವಾಸಿಯಾದ ಡೀಪ್‌ಮೈಂಡ್ ಕಂಪನಿಯು ಆಲ್ಫಾಕೋಡ್ ಯೋಜನೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿತು, ಇದು ಭಾಗವಹಿಸಬಹುದಾದ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದೆ. ಕೋಡ್‌ಫೋರ್ಸಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಮತ್ತು ಸರಾಸರಿ ಫಲಿತಾಂಶವನ್ನು ಪ್ರದರ್ಶಿಸಿ. ಅಭಿವೃದ್ಧಿಯ ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ಪೈಥಾನ್ ಅಥವಾ C++ ನಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ, ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ ಸಮಸ್ಯೆ ಹೇಳಿಕೆಯೊಂದಿಗೆ ಪಠ್ಯವನ್ನು ಇನ್‌ಪುಟ್ ಆಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ಸಿಸ್ಟಮ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು, 10 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರನ್ನು ಹೊಂದಿರುವ 5000 ಹೊಸ ಕೋಡ್‌ಫೋರ್ಸ್ ಸ್ಪರ್ಧೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯ ತರಬೇತಿ ಪೂರ್ಣಗೊಂಡ ನಂತರ ನಡೆಯಿತು. ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ ಫಲಿತಾಂಶಗಳು ಆಲ್ಫಾಕೋಡ್ ವ್ಯವಸ್ಥೆಯು ಈ ಸ್ಪರ್ಧೆಗಳ ರೇಟಿಂಗ್‌ನ ಸರಿಸುಮಾರು ಮಧ್ಯದಲ್ಲಿ ಪ್ರವೇಶಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಟ್ಟಿತು (54.3%). ಆಲ್ಫಾಕೋಡ್‌ನ ಒಟ್ಟಾರೆ ರೇಟಿಂಗ್ 1238 ಅಂಕಗಳು, ಇದು ಕಳೆದ 28 ತಿಂಗಳುಗಳಲ್ಲಿ ಒಮ್ಮೆಯಾದರೂ ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸಿದ ಎಲ್ಲಾ ಕೋಡ್‌ಫೋರ್ಸ್ ಭಾಗವಹಿಸುವವರಲ್ಲಿ ಅಗ್ರ 6% ಗೆ ಪ್ರವೇಶವನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಯೋಜನೆಯು ಇನ್ನೂ ಅಭಿವೃದ್ಧಿಯ ಆರಂಭಿಕ ಹಂತದಲ್ಲಿದೆ ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ರಚಿಸಲಾದ ಕೋಡ್‌ನ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಯೋಜಿಸಲಾಗಿದೆ, ಹಾಗೆಯೇ ಕೋಡ್ ಬರೆಯಲು ಸಹಾಯ ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳ ಕಡೆಗೆ ಆಲ್ಫಾಕೋಡ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಯೋಜಿಸಲಾಗಿದೆ ಎಂದು ಗಮನಿಸಲಾಗಿದೆ. ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಕೌಶಲ್ಯವಿಲ್ಲದ ಜನರು ಬಳಸುತ್ತಾರೆ.
ಪ್ರಾಜೆಕ್ಟ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸ್ಯಾಂಪ್ಲಿಂಗ್ ಮತ್ತು ಫಿಲ್ಟರಿಂಗ್ ತಂತ್ರಗಳ ಸಂಯೋಜನೆಯಲ್ಲಿ ನೈಸರ್ಗಿಕ ಭಾಷಾ ಪಠ್ಯಕ್ಕೆ ಅನುಗುಣವಾದ ವಿವಿಧ ಅನಿರೀಕ್ಷಿತ ಕೋಡ್ ರೂಪಾಂತರಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಬಳಸುತ್ತದೆ. ಫಿಲ್ಟರಿಂಗ್, ಕ್ಲಸ್ಟರಿಂಗ್ ಮತ್ತು ಶ್ರೇಯಾಂಕದ ನಂತರ, ರಚಿತವಾದ ಆಯ್ಕೆಗಳ ಸ್ಟ್ರೀಮ್‌ನಿಂದ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ವರ್ಕಿಂಗ್ ಕೋಡ್ ಅನ್ನು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ, ನಂತರ ಸರಿಯಾದ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯಲಾಗಿದೆಯೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ (ಪ್ರತಿ ಸ್ಪರ್ಧೆಯ ಕಾರ್ಯವು ಇನ್‌ಪುಟ್ ಡೇಟಾದ ಉದಾಹರಣೆ ಮತ್ತು ಈ ಉದಾಹರಣೆಗೆ ಅನುಗುಣವಾದ ಫಲಿತಾಂಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ. , ಪ್ರೋಗ್ರಾಂ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದ ನಂತರ ಅದನ್ನು ಪಡೆಯಬೇಕು).
ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಸರಿಸುಮಾರು ತರಬೇತಿ ನೀಡಲು, ನಾವು ಸಾರ್ವಜನಿಕ GitHub ರೆಪೊಸಿಟರಿಗಳಲ್ಲಿ ಲಭ್ಯವಿರುವ ಕೋಡ್ ಬೇಸ್ ಅನ್ನು ಬಳಸಿದ್ದೇವೆ. ಆರಂಭಿಕ ಮಾದರಿಯನ್ನು ಸಿದ್ಧಪಡಿಸಿದ ನಂತರ, ಕೋಡ್‌ಫೋರ್ಸಸ್, ಕೋಡ್‌ಚೆಫ್, ಹ್ಯಾಕರ್‌ಅರ್ತ್, ಅಟ್‌ಕೋಡರ್ ಮತ್ತು ಐಜು ಸ್ಪರ್ಧೆಗಳಲ್ಲಿ ಭಾಗವಹಿಸುವವರು ಪ್ರಸ್ತಾಪಿಸಿದ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಪರಿಹಾರಗಳ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಕೋಡ್‌ನ ಸಂಗ್ರಹವನ್ನು ಆಧರಿಸಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಹಂತವನ್ನು ಕೈಗೊಳ್ಳಲಾಯಿತು. ಒಟ್ಟಾರೆಯಾಗಿ, GitHub ನಿಂದ 715 GB ಕೋಡ್ ಮತ್ತು ವಿಶಿಷ್ಟವಾದ ಸ್ಪರ್ಧೆಯ ಸಮಸ್ಯೆಗಳಿಗೆ ಪರಿಹಾರಗಳ ಒಂದು ಮಿಲಿಯನ್‌ಗಿಂತಲೂ ಹೆಚ್ಚು ಉದಾಹರಣೆಗಳನ್ನು ತರಬೇತಿಗಾಗಿ ಬಳಸಲಾಗಿದೆ. ಕೋಡ್ ಉತ್ಪಾದನೆಗೆ ತೆರಳುವ ಮೊದಲು, ಕಾರ್ಯ ಪಠ್ಯವು ಸಾಮಾನ್ಯೀಕರಣದ ಹಂತದ ಮೂಲಕ ಹೋಯಿತು, ಈ ಸಮಯದಲ್ಲಿ ಅನಗತ್ಯವಾದ ಎಲ್ಲವನ್ನೂ ತೆಗೆದುಹಾಕಲಾಯಿತು ಮತ್ತು ಗಮನಾರ್ಹ ಭಾಗಗಳನ್ನು ಮಾತ್ರ ಬಿಡಲಾಗುತ್ತದೆ.
ಮೂಲ: opennet.ru