ഒരു ടാസ്‌ക്കിന്റെ വാചക വിവരണത്തിൽ നിന്ന് കോഡ് സൃഷ്‌ടിക്കുന്നതിനുള്ള ഒരു മെഷീൻ ലേണിംഗ് സിസ്റ്റം DeepMind അവതരിപ്പിച്ചു

ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മേഖലയിലെ വികസനത്തിനും മാനുഷിക തലത്തിൽ കമ്പ്യൂട്ടർ, ബോർഡ് ഗെയിമുകൾ കളിക്കാൻ കഴിവുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ നിർമ്മാണത്തിനും പേരുകേട്ട ഡീപ് മൈൻഡ് കമ്പനി, ആൽഫകോഡ് പ്രോജക്റ്റ് അവതരിപ്പിച്ചു, ഇത് കോഡ് സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു മെഷീൻ ലേണിംഗ് സിസ്റ്റം വികസിപ്പിക്കുന്നു. കോഡ്ഫോഴ്‌സ് പ്ലാറ്റ്‌ഫോമിലെ പ്രോഗ്രാമിംഗ് മത്സരങ്ങളിൽ പങ്കെടുക്കുകയും ശരാശരി ഫലം കാണിക്കുകയും ചെയ്യുന്നു. ഇംഗ്ലീഷിലുള്ള ഒരു പ്രശ്‌ന പ്രസ്താവനയുള്ള ഒരു ടെക്‌സ്‌റ്റ് ഇൻപുട്ടായി എടുത്ത് പൈത്തണിലോ C++-ലോ കോഡ് സൃഷ്‌ടിക്കാനുള്ള കഴിവാണ് വികസനത്തിൻ്റെ ഒരു പ്രധാന സവിശേഷത.

സിസ്റ്റം പരിശോധിക്കുന്നതിനായി, മെഷീൻ ലേണിംഗ് മോഡൽ പരിശീലനം പൂർത്തിയാക്കിയ ശേഷം നടന്ന 10-ത്തിലധികം പേർ പങ്കെടുക്കുന്ന 5000 പുതിയ കോഡ്ഫോഴ്സ് മത്സരങ്ങൾ തിരഞ്ഞെടുത്തു. ടാസ്‌ക്കുകൾ പൂർത്തിയാക്കുന്നതിൻ്റെ ഫലങ്ങൾ ആൽഫാകോഡ് സിസ്റ്റത്തെ ഈ മത്സരങ്ങളുടെ റേറ്റിംഗിൻ്റെ ഏകദേശം മധ്യത്തിൽ പ്രവേശിക്കാൻ അനുവദിച്ചു (54.3%). ആൽഫാകോഡിൻ്റെ പ്രവചിക്കപ്പെട്ട മൊത്തത്തിലുള്ള റേറ്റിംഗ് 1238 പോയിൻ്റായിരുന്നു, ഇത് കഴിഞ്ഞ 28 മാസത്തിനിടെ ഒരിക്കലെങ്കിലും മത്സരങ്ങളിൽ പങ്കെടുത്ത എല്ലാ കോഡ്ഫോഴ്‌സ് പങ്കാളികളിൽ നിന്നും മികച്ച 6%-ലേക്ക് പ്രവേശനം ഉറപ്പാക്കുന്നു. പ്രോജക്റ്റ് ഇപ്പോഴും വികസനത്തിൻ്റെ പ്രാരംഭ ഘട്ടത്തിലാണെന്നും ഭാവിയിൽ ജനറേറ്റ് ചെയ്ത കോഡിൻ്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്താനും കോഡ് എഴുതാൻ സഹായിക്കുന്ന സിസ്റ്റങ്ങളിലേക്ക് ആൽഫകോഡ് വികസിപ്പിക്കാനും അല്ലെങ്കിൽ ആപ്ലിക്കേഷൻ ഡെവലപ്‌മെൻ്റ് ടൂളുകൾ വികസിപ്പിക്കാനും പദ്ധതിയിട്ടിട്ടുണ്ട്. പ്രോഗ്രാമിംഗ് കഴിവുകളില്ലാത്ത ആളുകൾ ഉപയോഗിക്കുന്നു.

സ്വാഭാവിക ഭാഷാ വാചകവുമായി പൊരുത്തപ്പെടുന്ന പ്രവചനാതീതമായ വിവിധ കോഡ് വേരിയൻ്റുകൾ സൃഷ്ടിക്കുന്നതിന് സാമ്പിൾ, ഫിൽട്ടറിംഗ് ടെക്നിക്കുകൾ എന്നിവയുമായി സംയോജിപ്പിച്ച് പ്രോജക്റ്റ് ട്രാൻസ്ഫോർമർ ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചർ ഉപയോഗിക്കുന്നു. ഫിൽട്ടറിംഗ്, ക്ലസ്റ്ററിംഗ്, റാങ്കിംഗ് എന്നിവയ്ക്ക് ശേഷം, ജനറേറ്റ് ചെയ്ത ഓപ്‌ഷനുകളുടെ സ്ട്രീമിൽ നിന്ന് ഏറ്റവും ഒപ്റ്റിമൽ വർക്കിംഗ് കോഡ് ഒഴിവാക്കപ്പെടും, അത് ശരിയായ ഫലം ലഭിക്കുന്നുവെന്ന് ഉറപ്പാക്കാൻ പരിശോധിക്കും (ഓരോ മത്സര ടാസ്‌ക്കുകളും ഇൻപുട്ട് ഡാറ്റയുടെ ഒരു ഉദാഹരണവും ഈ ഉദാഹരണവുമായി ബന്ധപ്പെട്ട ഫലവും സൂചിപ്പിക്കുന്നു. , പ്രോഗ്രാം എക്സിക്യൂട്ട് ചെയ്ത ശേഷം ലഭിക്കണം).

മെഷീൻ ലേണിംഗ് സിസ്റ്റത്തെ ഏകദേശം പരിശീലിപ്പിക്കാൻ, ഞങ്ങൾ പൊതു GitHub ശേഖരണങ്ങളിൽ ലഭ്യമായ ഒരു കോഡ് ബേസ് ഉപയോഗിച്ചു. പ്രാരംഭ മോഡൽ തയ്യാറാക്കിയ ശേഷം, കോഡ്ഫോഴ്‌സ്, കോഡ്‌ഷെഫ്, ഹാക്കർ എർത്ത്, അറ്റ്‌കോഡർ, ഐസു മത്സരങ്ങളിൽ പങ്കെടുക്കുന്നവർ നിർദ്ദേശിച്ച പ്രശ്നങ്ങളുടെയും പരിഹാരങ്ങളുടെയും ഉദാഹരണങ്ങളുള്ള കോഡിൻ്റെ ഒരു ശേഖരത്തെ അടിസ്ഥാനമാക്കി ഒരു ഒപ്റ്റിമൈസേഷൻ ഘട്ടം നടത്തി. മൊത്തത്തിൽ, GitHub-ൽ നിന്നുള്ള 715 GB കോഡും സാധാരണ മത്സര പ്രശ്നങ്ങൾക്കുള്ള പരിഹാരങ്ങളുടെ ഒരു ദശലക്ഷത്തിലധികം ഉദാഹരണങ്ങളും പരിശീലനത്തിനായി ഉപയോഗിച്ചു. കോഡ് സൃഷ്‌ടിക്കുന്നതിന് മുമ്പ്, ടാസ്‌ക് ടെക്‌സ്‌റ്റ് ഒരു നോർമലൈസേഷൻ ഘട്ടത്തിലൂടെ കടന്നുപോയി, ഈ സമയത്ത് അനാവശ്യമായ എല്ലാം ഒഴിവാക്കുകയും പ്രധാനപ്പെട്ട ഭാഗങ്ങൾ മാത്രം അവശേഷിക്കുകയും ചെയ്തു.

അവലംബം: opennet.ru