DeepMind ले कार्यको पाठ विवरणबाट कोड उत्पन्न गर्न मेसिन लर्निङ प्रणाली प्रस्तुत गर्‍यो

आर्टिफिसियल इन्टेलिजेन्सको क्षेत्रमा भएको विकास र मानव स्तरमा कम्प्युटर र बोर्ड गेम खेल्न सक्ने न्यूरल नेटवर्कको निर्माणका लागि चिनिने DeepMind कम्पनीले AlphaCode प्रोजेक्ट प्रस्तुत गर्‍यो, जसले कोड उत्पन्न गर्न मेसिन लर्निङ प्रणाली विकास गरिरहेको छ। Codeforces प्लेटफर्ममा प्रोग्रामिङ प्रतियोगिताहरूमा भाग लिने र औसत परिणाम प्रदर्शन गर्दै। विकासको मुख्य विशेषता भनेको अङ्ग्रेजीमा समस्या कथन भएको पाठ इनपुटको रूपमा लिई पाइथन वा C++ मा कोड उत्पन्न गर्ने क्षमता हो।

प्रणाली परीक्षण गर्न, 10 भन्दा बढी सहभागीहरूसँग 5000 नयाँ Codeforces प्रतियोगिताहरू चयन गरिएको थियो, जुन मेसिन लर्निङ मोडेलको प्रशिक्षण पूरा गरेपछि आयोजित गरियो। कार्यहरू पूरा गर्ने परिणामहरूले अल्फाकोड प्रणालीलाई यी प्रतियोगिताहरूको मूल्याङ्कन (54.3%) को लगभग बीचमा प्रवेश गर्न अनुमति दियो। AlphaSode को अनुमानित समग्र मूल्याङ्कन 1238 अंक थियो, जसले विगत 28 महिनामा कम्तिमा एक पटक प्रतियोगिताहरूमा भाग लिने सबै Codeforces सहभागीहरूमध्ये शीर्ष 6% मा प्रवेश सुनिश्चित गर्दछ। यो नोट गरिएको छ कि परियोजना अझै विकासको प्रारम्भिक चरणमा छ र भविष्यमा यो उत्पन्न गरिएको कोडको गुणस्तर सुधार गर्न, साथै कोड लेख्न मद्दत गर्ने प्रणालीहरू, वा अनुप्रयोग विकास उपकरणहरू तर्फ अल्फाकोड विकास गर्ने योजना छ। प्रोग्रामिङ कौशल बिना मानिसहरू द्वारा प्रयोग।

परियोजनाले प्राकृतिक भाषा पाठसँग मेल खाने विभिन्न अप्रत्याशित कोड भेरियन्टहरू उत्पन्न गर्न नमूना र फिल्टरिङ प्रविधिहरूको संयोजनमा ट्रान्सफर्मर न्यूरल नेटवर्क आर्किटेक्चर प्रयोग गर्दछ। फिल्टरिङ, क्लस्टरिङ र श्रेणीकरण पछि, विकल्पहरूको उत्पन्न स्ट्रिमबाट सबैभन्दा इष्टतम कार्य कोड हटाइन्छ, जुन त्यसपछि सही नतिजा प्राप्त भएको सुनिश्चित गर्न जाँच गरिन्छ (प्रत्येक प्रतिस्पर्धा कार्यले इनपुट डेटाको उदाहरण र यस उदाहरणसँग मिल्दो नतिजा संकेत गर्दछ। , जुन कार्यक्रम कार्यान्वयन पछि प्राप्त गर्नुपर्छ)।

मेसिन लर्निङ प्रणालीलाई लगभग तालिम दिन, हामीले सार्वजनिक GitHub भण्डारहरूमा उपलब्ध कोड आधार प्रयोग गर्यौं। प्रारम्भिक मोडेल तयार गरिसकेपछि, Codeforces, CodeChef, HackerEarth, AtCoder र Aizu प्रतियोगिताहरूमा सहभागीहरूले प्रस्तावित समस्याहरू र समाधानहरूको उदाहरणहरू सहित कोडको सङ्कलनमा आधारित, एक अनुकूलन चरण सञ्चालन गरियो। कुल मिलाएर, GitHub बाट 715 GB कोड र विशिष्ट प्रतिस्पर्धा समस्याहरूको समाधानका लाखौं उदाहरणहरू प्रशिक्षणको लागि प्रयोग गरियो। कोड जेनरेशनमा जानु अघि, कार्य पाठ सामान्यीकरण चरण मार्फत गयो, जसमा सबै अनावश्यक हटाइएको थियो र केवल महत्त्वपूर्ण भागहरू बाँकी थिए।

स्रोत: opennet.ru