Diese Website kann über die Links auf dieser Seite Affiliate-Provisionen verdienen. Nutzungsbedingungen. (Credit: Google)Googles DeepMind-KI-Abteilung hat bereits Maschinen gebaut, die Sie in StarCraft II ruinieren und Millionen von Proteinstrukturen vorhersagen können, aber jetzt übernimmt sie eine noch schwierigere Aufgabe: das Schreiben von kohärentem Code. In einem offensichtlichen Versuch, sich arbeitslos zu machen, haben DeepMind-Forscher eine KI entwickelt, die Code schreiben kann und überraschend gut bei Programmierherausforderungen abschneidet. Es ist weder das Beste noch das Schlechteste im Vergleich zu Menschen, die an denselben Herausforderungen teilnehmen, aber die StarCraft-KI war anfangs nur ein mittelmäßiger Spieler.
Während das maschinelle Lernen sprunghaft fortgeschritten ist, ist es schwierig, eine KI zu entwickeln, die darin gut ist mehr als eine Sache. Eine Maschine könnte also mit Daten trainiert werden, um eine Klasse von Programmierherausforderungen zu bewältigen, aber sie würde scheitern, wenn sie ein anderes Problem zu lösen hätte. Also beschloss das Team, das gesamte Training zu Algorithmen und Codestruktur zu überspringen, anstatt es mehr wie ein Übersetzungsproblem zu behandeln .
Programmierherausforderungen beinhalten normalerweise eine Beschreibung der Aufgabe, und der resultierende Code, der von einem menschlichen Teilnehmer übermittelt wird, ist technisch gesehen nur ein Ausdruck der Beschreibung. Die KI arbeitet in zwei Phasen: Sie nimmt die Beschreibung und wandelt sie in eine interne Darstellung um. Dann verwendet es diese Darstellung, um Funktionscode basierend auf den Daten zu generieren, die ihm im Training gezeigt wurden. Und es gab eine Menge Daten.
DeepMind fütterte die KI mit 700 GB Code auf GitHub, komplett mit den Kommentaren, die den Code erklären. Wie Ars Technica betont , das ist eine riesige Menge an Textdaten. Mit der Verinnerlichung der Essenz des Programmierens richtete DeepMind seine eigenen Programmierwettbewerbe ein und speiste die Ergebnisse in die KI ein, um die Leistung des Modells zu optimieren. Das Team sagt, dass dies eine Größenordnung mehr Trainingsdaten sind, als frühere Codierungsmaschinen erhalten haben, und das hat den Unterschied ausgemacht.
Die Forscher fanden heraus, dass AlphaCode eine riesige Anzahl potenzieller Antworten auf ein Codierungsproblem generieren konnte, aber etwa 40 Prozent von ihnen würden den gesamten verfügbaren Systemspeicher durchlaufen oder die Antwort nicht in angemessener Zeit erreichen. Die Daten müssen gefiltert werden, um das eine Prozent der Lösungen zu finden, die tatsächlich guter Code sind. DeepMind stellte fest, dass Cluster mit ähnlichem Code bessere Antworten anzeigten, während die falschen zufällig verteilt waren. Durch die Konzentration auf diese Antworten konnte AlphaCode etwa ein Drittel der Codierungsherausforderungen richtig beantworten. Es stellt sich heraus, dass viele menschliche Programmierer kaum besser sind, also platzierte sich AlphaCode unter den oberen 54 Prozent. Es geht nicht darum, Jobs von DeepMind-Ingenieuren wegzunehmen, sondern ihm Zeit zu geben.
Jetzt lesen:
