D'Firma DeepMind, bekannt fir seng Entwécklungen am Beräich vun der kënschtlecher Intelligenz an der Konstruktioun vun neurale Netzwierker, déi fäeg sinn Computer- a Brietspiller um mënschleche Niveau ze spillen, huet den AlphaCode Projet presentéiert, deen e Maschinnléieresystem entwéckelt fir Code ze generéieren, dee ka matmaachen an programméiere Concoursen op der Codeforces Plattform a weisen duerchschnëttlech Resultat. E Schlëssel Feature vun der Entwécklung ass d'Fäegkeet Code am Python oder C ++ ze generéieren, als Input en Text mat enger Problemausso op Englesch ze huelen.
Fir de System ze testen, goufen 10 nei Codeforces Concoursen mat méi wéi 5000 Participanten ausgewielt, déi nom Ofschloss vum Training vum Maschinn Léiermodell ofgehale goufen. D'Resultater vum Ofschloss vun den Aufgaben hunn den AlphaCode System erlaabt ongeféier d'Mëtt vun der Bewäertung vun dëse Concoursen anzeginn (54.3%). Déi virausgesot Gesamtbewäertung vun AlphaСode war 1238 Punkten, wat d'Entrée an den Top 28% ënnert all Codeforces Participanten garantéiert, déi op d'mannst eemol an de leschte 6 Méint un Concoursen deelgeholl hunn. Et gëtt bemierkt datt de Projet nach ëmmer an der éischter Etapp vun der Entwécklung ass an an Zukunft ass geplangt fir d'Qualitéit vum generéierte Code ze verbesseren, souwéi AlphaCode fir Systemer z'entwéckelen déi hëllefen Code ze schreiwen, oder Applikatiounsentwécklungsinstrumenter déi kënne benotzt vu Leit ouni Programméierungsfäegkeeten.
De Projet benotzt d'Transformer neural Netzwierkarchitektur a Kombinatioun mat Sampling- a Filtertechniken fir verschidden onberechenbar Codevarianten ze generéieren déi dem natierleche Sproochentext entspriechen. Nom Filteren, Clustering a Ranking gëtt den optimalsten Aarbechtscode aus dem generéierte Stroum vun Optiounen eliminéiert, deen dann iwwerpréift gëtt fir sécherzestellen datt dat richtegt Resultat kritt gëtt (all Concours Aufgab weist e Beispill vun Inputdaten an d'Resultat entspriechend dësem Beispill un. , déi nom Ausféierung vum Programm kritt ginn).
Fir de Maschinnléieresystem ongeféier ze trainéieren, hu mir eng Codebasis benotzt, déi an ëffentleche GitHub Repositories verfügbar ass. No der Virbereedung vum initialen Modell gouf eng Optimisatiounsphase duerchgefouert, baséiert op enger Sammlung vu Code mat Beispiller vu Probleemer a Léisunge proposéiert vun de Participanten an de Codeforces, CodeChef, HackerEarth, AtCoder an Aizu Concoursen. Am Ganzen goufen 715 GB Code vu GitHub a méi wéi eng Millioun Beispiller vu Léisunge fir typesch Konkurrenzproblemer fir Training benotzt. Ier Dir op Code Generatioun weidergeet, ass den Tasktext duerch eng Normaliséierungsphase gaang, während där alles onnéideg éliminéiert gouf an nëmme bedeitend Deeler verlooss goufen.
Source: opennet.ru