IBM मशीन लर्निंग सिस्टमसाठी कोडनेट उघडते जे कोडचे भाषांतर आणि पडताळणी करते

IBM ने आपल्या CodeNet उपक्रमाचे अनावरण केले आहे, ज्याचा उद्देश संशोधकांना एक डेटासेट प्रदान करणे आहे जो त्यांना प्रोग्रामिंग भाषा अनुवादक, कोड जनरेटर आणि विश्लेषक तयार करण्यासाठी मशीन लर्निंग तंत्राचा वापर करून प्रयोग करण्यास अनुमती देतो. CodeNet मध्ये 14 दशलक्ष कोड उदाहरणांचा समावेश आहे जे 4053 सामान्य प्रोग्रामिंग समस्या सोडवतात. एकूण, संग्रहामध्ये कोडच्या सुमारे 500 दशलक्ष ओळींचा समावेश आहे आणि 55 प्रोग्रामिंग भाषांचा समावेश आहे, दोन्ही आधुनिक भाषा जसे की C++, Java, Python आणि Go आणि COBOL, Pascal आणि FORTRAN यासह लेगसी भाषा. प्रकल्पाचा विकास Apache 2.0 लायसन्स अंतर्गत वितरीत केला जातो आणि डेटा संच सार्वजनिक डोमेनच्या स्वरूपात वितरीत करण्याची योजना आहे.

उदाहरणे भाष्य केली आहेत आणि भिन्न प्रोग्रामिंग भाषांमध्ये समान अल्गोरिदम लागू करतात. अशी अपेक्षा आहे की प्रस्तावित संच मशीन लर्निंग सिस्टीमला प्रशिक्षित करण्यास आणि भाषांतर आणि मशीन कोड पार्सिंगच्या क्षेत्रात नवकल्पना विकसित करण्यास मदत करेल, जसे इमेजनेट एनोटेड इमेज डेटाबेसने पॅटर्न ओळखणे आणि संगणक दृष्टी प्रणाली विकसित करण्यास मदत केली आहे. विविध प्रोग्रामिंग स्पर्धांचा संग्रह निर्मितीचा मुख्य स्त्रोत म्हणून उल्लेख केला जातो.

पारंपारिक भाषांतरकारांच्या विपरीत, जे परिवर्तन नियमांवर आधारित लागू केले जातात, मशीन लर्निंग सिस्टम कोड वापराचा संदर्भ कॅप्चर करू शकतात आणि विचारात घेऊ शकतात. एका प्रोग्रामिंग भाषेतून दुसर्‍या भाषेत रूपांतरित करताना, एका मानवी भाषेतून दुसर्‍या भाषेत अनुवादित करताना संदर्भ तितकाच महत्त्वाचा असतो. संदर्भ विचाराचा अभाव हा कोडला COBOL सारख्या परंपरागत भाषांमधून रूपांतरित होण्यापासून प्रतिबंधित करतो.

विविध भाषांमध्ये अल्गोरिदम अंमलबजावणीचा मोठा डेटाबेस असण्याने सार्वत्रिक मशीन लर्निंग सिस्टम तयार करण्यात मदत होईल जी विशिष्ट भाषांमधील थेट भाषांतराऐवजी, विशिष्ट प्रोग्रामिंग भाषांपासून स्वतंत्र असलेल्या कोडचे अधिक अमूर्त प्रतिनिधित्व हाताळते. अशा प्रणालीचा वापर अनुवादक म्हणून केला जाऊ शकतो, कोणत्याही समर्थित भाषेतील प्रसारित कोडचे त्याच्या अंतर्गत अमूर्त प्रतिनिधित्वामध्ये भाषांतरित केले जाऊ शकते, ज्यामधून कोड नंतर एकाधिक भाषांमध्ये तयार केला जाऊ शकतो.

प्रणाली द्विदिशात्मक परिवर्तने देखील करण्यास सक्षम असेल. उदाहरणार्थ, बँका आणि सरकारी संस्था कालबाह्य COBOL भाषेत प्रकल्प वापरणे सुरू ठेवतात. एक मशीन लर्निंग-आधारित अनुवादक COBOL कोडला Java प्रतिनिधित्वामध्ये रूपांतरित करण्यास सक्षम असेल आणि आवश्यक असल्यास, Java तुकड्याचे COBOL कोडमध्ये भाषांतर करू शकेल.

भाषांमधील भाषांतराव्यतिरिक्त, स्मार्ट कोड शोध प्रणालीची निर्मिती आणि क्लोन शोधण्याचे ऑटोमेशन, तसेच ऑप्टिमायझर्स आणि स्वयंचलित कोड सुधारणा प्रणाली विकसित करणे यासारख्या कोडनेटच्या अनुप्रयोगाच्या क्षेत्रांचा उल्लेख केला आहे. विशेषतः, CodeNet मध्ये सादर केलेली उदाहरणे कार्यप्रदर्शन चाचणीचे परिणाम, परिणामी प्रोग्राम आकार, मेमरी वापर आणि स्थिती यांचे वर्णन करणार्या मेटाडेटासह सुसज्ज आहेत, जे आम्हाला त्रुटी असलेल्या कोडपासून योग्य कोड वेगळे करण्यास अनुमती देते (अयोग्य कोडपासून योग्य कोड वेगळे करण्यासाठी, संकलनामध्ये विशेषतः त्रुटी असलेली उदाहरणे समाविष्ट आहेत, ज्याचा हिस्सा 29.5% आहे). मशीन लर्निंग सिस्टम हा मेटाडेटा सर्वात इष्टतम कोड तयार करण्यासाठी किंवा विश्लेषण केलेल्या कोडमधील प्रतिगमन ओळखण्यासाठी विचारात घेऊ शकते (सबमिट केलेल्या कोडमधील अल्गोरिदम चांगल्या प्रकारे लागू केलेले नाही किंवा त्यात त्रुटी आहेत हे सिस्टम समजू शकते).

स्त्रोत: opennet.ru