Företaget DeepMind, som blivit vÀlkÀnt för sina innovationer inom artificiell intelligens och utvecklingen av neurala nÀtverk som kan spela datorspel och brÀdspel pÄ mÀnsklig nivÄ, har presenterat projektet AlphaCode, som utvecklar ett maskininlÀrningssystem för kodgenerering som kan delta i programmeringstÀvlingar pÄ plattformen Codeforces och uppvisa genomsnittliga resultat. En nyckelfunktion i utvecklingen Àr dess förmÄga att generera kod pÄ sprÄk som Python eller C++, dÀr den tar emot text med en uppgift pÄ engelska som input.
För att testa systemet har 10 nya Codeforces-tÀvlingar valts ut, med mer Àn 5000 deltagare, som genomfördes efter att maskininlÀrningsmodellen avslutats. Resultaten av uppgifterna gjorde att AlphaCode hamnade ungefÀr i mitten av rankingen för de angivna tÀvlingarna (54,3%). Det förvÀntade totala rankingen för AlphaCode var 1238 poÀng, vilket sÀkerstÀller en plats i de 28% frÀmsta bland alla deltagare i Codeforces som har deltagit i tÀvlingar minst en gÄng under de senaste 6 mÄnaderna. Det noteras att projektet för nÀrvarande Àr i ett tidigt utvecklingsskede och att man i framtiden planerar att förbÀttra kvaliteten pÄ den genererade koden samt vidareutveckla AlphaCode mot system som kan hjÀlpa till med kodskrivning eller utvecklingsverktyg för personer utan programmeringskunskaper.
Projektet anvÀnder arkitekturen för neurala nÀtverk "Transformer" i kombination med provtagnings- och filtreringsmetoder som gör det möjligt att generera olika oförutsÀgbara kodalternativ som motsvarar text i naturligt sprÄk. Efter filtrering, klustring och rangordning av den skapade strömmen av alternativ sorteras den mest optimala arbetskoden fram, som sedan kontrolleras för att sÀkerstÀlla att den ger rÀtt resultat (i varje tÀvlingsuppgift anges ett exempel pÄ indatan och det korrekta resultatet som bör erhÄllas efter att programmet körts).
För en grov trÀning av maskininlÀrningssystemet anvÀndes en kodbas som finns tillgÀnglig i offentliga GitHub-repositorier. Efter att ha förberett den initiala modellen genomfördes en optimeringsfas, som utgick frÄn en samling kodexempel pÄ problem och lösningar erbjudna av deltagarna i tÀvlingarna Codeforces, CodeChef, HackerEarth, AtCoder och Aizu. Totalt anvÀndes 715 GB kod frÄn GitHub och mer Àn en miljon exempel pÄ lösningar till typiska tÀvlingsproblem för trÀningen. Innan övergÄngen till kodgenerering genomgick uppgiftsbeskrivningen en normaliseringsfas dÀr allt överflödigt togs bort och endast de betydelsefulla delarna kvarlÀmnades.
KĂ€lla: opennet.ru
