ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ రంగంలో అభివృద్ధి మరియు మానవ స్థాయిలో కంప్యూటర్ మరియు బోర్డ్ గేమ్‌లను ఆడగల సామర్థ్యం గల న్యూరల్ నెట్‌వర్క్‌ల నిర్మాణానికి ప్రసిద్ధి చెందిన డీప్‌మైండ్ కంపెనీ, ఆల్ఫాకోడ్ ప్రాజెక్ట్‌ను సమర్పించింది, ఇందులో పాల్గొనగలిగే కోడ్‌ను రూపొందించడానికి మెషిన్ లెర్నింగ్ సిస్టమ్‌ను అభివృద్ధి చేస్తోంది. కోడ్‌ఫోర్స్ ప్లాట్‌ఫారమ్‌లో ప్రోగ్రామింగ్ పోటీలలో మరియు సగటు ఫలితాన్ని ప్రదర్శించండి. ఇంగ్లీషులో సమస్య స్టేట్‌మెంట్‌తో కూడిన టెక్స్ట్‌ను ఇన్‌పుట్‌గా తీసుకొని, పైథాన్ లేదా C++లో కోడ్‌ను రూపొందించగల సామర్థ్యం అభివృద్ధి యొక్క ముఖ్య లక్షణం.
సిస్టమ్‌ను పరీక్షించడానికి, 10 కంటే ఎక్కువ మంది పాల్గొనేవారితో 5000 కొత్త కోడ్‌ఫోర్స్ పోటీలు ఎంపిక చేయబడ్డాయి, మెషిన్ లెర్నింగ్ మోడల్‌కు శిక్షణ ఇచ్చిన తర్వాత నిర్వహించబడ్డాయి. టాస్క్‌లను పూర్తి చేయడం వల్ల వచ్చే ఫలితాలు ఆల్ఫాకోడ్ సిస్టమ్ ఈ పోటీల రేటింగ్‌లో దాదాపు మధ్యలో ప్రవేశించడానికి అనుమతించాయి (54.3%). ఆల్ఫాకోడ్ యొక్క అంచనా మొత్తం రేటింగ్ 1238 పాయింట్లు, ఇది గత 28 నెలల్లో కనీసం ఒక్కసారైనా పోటీల్లో పాల్గొన్న కోడ్‌ఫోర్స్‌లో పాల్గొనేవారిలో టాప్ 6%లోకి ప్రవేశించడాన్ని నిర్ధారిస్తుంది. ప్రాజెక్ట్ ఇంకా అభివృద్ధి యొక్క ప్రారంభ దశలోనే ఉందని మరియు భవిష్యత్తులో రూపొందించబడిన కోడ్ నాణ్యతను మెరుగుపరచడానికి ప్రణాళిక చేయబడింది, అలాగే కోడ్ రాయడంలో సహాయపడే సిస్టమ్‌ల వైపు ఆల్ఫాకోడ్‌ను అభివృద్ధి చేయడానికి లేదా అప్లికేషన్ డెవలప్‌మెంట్ సాధనాలను అభివృద్ధి చేయడానికి ప్రణాళిక చేయబడింది. ప్రోగ్రామింగ్ నైపుణ్యాలు లేని వ్యక్తులు ఉపయోగిస్తారు.
ప్రాజెక్ట్ సహజ భాషా వచనానికి అనుగుణంగా వివిధ అనూహ్య కోడ్ వేరియంట్‌లను రూపొందించడానికి నమూనా మరియు వడపోత పద్ధతులతో కలిపి ట్రాన్స్‌ఫార్మర్ న్యూరల్ నెట్‌వర్క్ నిర్మాణాన్ని ఉపయోగిస్తుంది. వడపోత, క్లస్టరింగ్ మరియు ర్యాంకింగ్ తర్వాత, అత్యంత అనుకూలమైన వర్కింగ్ కోడ్ ఉత్పత్తి చేయబడిన ఎంపికల స్ట్రీమ్ నుండి తొలగించబడుతుంది, ఇది సరైన ఫలితం పొందిందని నిర్ధారించుకోవడానికి తనిఖీ చేయబడుతుంది (ప్రతి పోటీ పని ఇన్‌పుట్ డేటా యొక్క ఉదాహరణను సూచిస్తుంది మరియు ఈ ఉదాహరణకి సంబంధించిన ఫలితం , ఇది ప్రోగ్రామ్‌ను అమలు చేసిన తర్వాత పొందాలి).
మెషిన్ లెర్నింగ్ సిస్టమ్‌కు సుమారుగా శిక్షణ ఇవ్వడానికి, మేము పబ్లిక్ GitHub రిపోజిటరీలలో అందుబాటులో ఉన్న కోడ్ బేస్‌ని ఉపయోగించాము. ప్రారంభ నమూనాను సిద్ధం చేసిన తర్వాత, కోడ్‌ఫోర్స్, కోడ్‌చెఫ్, హ్యాకర్‌ఎర్త్, అట్‌కోడర్ మరియు ఐజు పోటీలలో పాల్గొనేవారు ప్రతిపాదించిన సమస్యలు మరియు పరిష్కారాల ఉదాహరణలతో కోడ్ సేకరణ ఆధారంగా ఒక ఆప్టిమైజేషన్ దశ నిర్వహించబడింది. మొత్తంగా, GitHub నుండి 715 GB కోడ్ మరియు సాధారణ పోటీ సమస్యలకు పరిష్కారాల యొక్క మిలియన్ కంటే ఎక్కువ ఉదాహరణలు శిక్షణ కోసం ఉపయోగించబడ్డాయి. కోడ్ ఉత్పత్తికి వెళ్లడానికి ముందు, టాస్క్ టెక్స్ట్ సాధారణీకరణ దశ ద్వారా వెళ్ళింది, ఈ సమయంలో అనవసరమైన ప్రతిదీ తొలగించబడింది మరియు ముఖ్యమైన భాగాలు మాత్రమే మిగిలి ఉన్నాయి.
మూలం: opennet.ru