Situs ini dapat memperoleh komisi afiliasi dari tautan di halaman ini. Syarat penggunaan. (Kredit: Google) Divisi AI DeepMind Google telah membangun mesin yang dapat menghancurkan Anda di StarCraft II dan memprediksi jutaan struktur protein, tetapi sekarang ini mengambil tugas yang lebih sulit: menulis kode yang koheren. Dalam upaya nyata untuk melepaskan diri dari pekerjaan, peneliti DeepMind telah menciptakan AI yang dapat menulis kode, dan kinerjanya sangat baik dalam tantangan pemrograman. Ini bukan yang terbaik atau terburuk jika dibandingkan dengan manusia yang berpartisipasi dalam tantangan yang sama, tetapi AI StarCraft pada awalnya hanyalah pemain biasa-biasa saja.
Meskipun pembelajaran mesin telah berkembang pesat, sulit untuk membuat AI yang bagus dalam lebih dari satu hal. Jadi, sebuah mesin dapat dilatih dengan data untuk menangani satu kelas tantangan pemrograman, tetapi akan gagal jika diberikan masalah yang berbeda untuk ditangani. Jadi, tim memutuskan untuk melewatkan semua pelatihan tentang algoritme dan struktur kode, alih-alih memperlakukannya lebih seperti masalah terjemahan .
Tantangan pemrograman biasanya menyertakan deskripsi tugas, dan kode yang dihasilkan yang dikirimkan oleh peserta manusia secara teknis hanyalah ekspresi dari deskripsi tersebut. AI bekerja dalam dua fase: Dibutuhkan deskripsi dan mengubahnya menjadi representasi internal. Kemudian, ia menggunakan representasi tersebut untuk menghasilkan kode fungsional berdasarkan data yang ditunjukkan dalam pelatihan. Dan ada banyak data.
DeepMind memasukkan kode AI 700GB di GitHub, lengkap dengan komentar yang menjelaskan kode tersebut. Seperti yang ditunjukkan oleh Ars Technica , itu data teks dalam jumlah yang sangat besar. Dengan esensi pemrograman yang terinternalisasi, DeepMind membuat kontes pemrogramannya sendiri dan memasukkan hasilnya ke dalam AI untuk menyempurnakan kinerja model. Tim mengatakan ini adalah urutan besarnya lebih banyak data pelatihan daripada yang diperoleh mesin pengkodean sebelumnya, dan itu membuat semua perbedaan.
Para peneliti menemukan bahwa AlphaCode mampu menghasilkan sejumlah besar jawaban potensial untuk masalah pengkodean, tetapi sekitar 40 persen dari mereka akan berjalan melalui semua memori sistem yang tersedia atau gagal mencapai jawaban dalam waktu yang wajar. Data perlu disaring untuk menemukan satu persen solusi yang benar-benar merupakan kode yang bagus. DeepMind menemukan bahwa kelompok kode serupa menunjukkan jawaban yang lebih baik, sedangkan yang salah didistribusikan secara acak. Dengan berfokus pada jawaban tersebut, AlphaCode mampu menjawab dengan benar sekitar sepertiga dari tantangan pengkodean. Ternyata banyak programmer manusia yang sedikit lebih baik, jadi AlphaCode ditempatkan di 54 persen teratas. Ini bukan tentang mengambil pekerjaan dari insinyur DeepMind, tetapi berikan waktu.
Baca sekarang:
