یادگیری رمزگذاری شامل شناخت نحوه ساختن یک برنامه و چگونگی تکمیل آخرین جزئیات صحیح است. جای تعجبی نیست که می تواند بسیار ناامید کننده باشد.
برنامه جدید نوشتن برنامه هوش مصنوعی ، SketchAdapt ، راه حلی را ارائه می دهد. SketchAdapt که در ده ها هزار نمونه برنامه آموزش دیده است ، می آموزد که چگونه برنامه های کوتاه و سطح بالا را تهیه کند ، در حالی که به مجموعه دوم الگوریتم ها اجازه می دهد زیر برنامه های مناسب را برای پر کردن جزئیات پیدا کنند. برخلاف رویکردهای مشابه برای نوشتن برنامه خودکار ، SketchAdapt می داند چه موقع باید از الگوی آماری تطبیق به یک حالت استدلال کمتر کارآمد ، اما همه کاره تر ، سمبولیک برای پر کردن شکاف ها استفاده کند.
"Armando Solar-Lezama" ، استاد آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) می گوید: "شبکه های عصبی در به دست آوردن ساختار کاملاً مناسب هستند ، اما جزئیات آن بسیار خوب نیست." "با تقسیم کار - اجازه دادن به شبکه های عصبی ساختار سطح بالا و استفاده از یک استراتژی جستجو برای پر کردن شکاف ها - می توانیم برنامه های کارآمد بنویسیم که جواب درست را بدهند."
SketchAdapt همکاری بین Solar-Lezama و Josh Tenenbaum ، استاد مرکز CSAIL و مرکز مغز ، ذهن و ماشین MIT است. این اثر در کنفرانس بین المللی یادگیری ماشین در تاریخ 10-15 الی 15 ژوئن ارائه خواهد شد.
سنتز برنامه یا آموزش رایانه برای رمزگذاری ، مدتهاست که هدف پژوهشگران هوش مصنوعی بوده است. رایانه ای که بتواند خود برنامه ریزی کند ، احتمال دارد که زبان را سریعتر یاد بگیرد ، با روان صحبت کند و حتی الگوی شناخت انسان باشد. همه اینها خورشیدی لزاما را به عنوان دانش آموخته فارغ التحصیل به میدان آورد ، جایی که او پایه و اساس SketchAdapt را پایه گذاری کرد.
کار اولیه Solar-Lezama ، Sketch ، بر پایه این ایده است که اگر یک ساختار سطح بالا ارائه شود ، می توان جزئیات سطح پایین برنامه را بصورت مکانیکی یافت. از میان برنامه های دیگر ، Sketch الهام گرفته از اسپینوفرها بود تا به طور خودکار کارهای خانه را برنامه نویسی کنند و نمودارهای دستی را به کد تبدیل کنند. بعداً ، با افزایش محبوبیت شبکه های عصبی ، دانش آموزان آزمایشگاه علوم محاسباتی Tenenbaum همکاری را پیشنهاد کردند که از این طریق SketchAdapt شکل گرفت.
SketchAdapt به جای تکیه بر متخصصان برای تعریف ساختار برنامه ، آن را با استفاده از یادگیری عمیق تشخیص می دهد. محققان همچنین به این پیچیدگی اضافه كردند: وقتی شبكه های عصبی مطمئن نیستند كه كدی را در كجا قرار دهند ، برنامه SketchAdapt برنامه ریزی شده است تا نقاط خود را برای پر كردن الگوریتم های جستجو خالی كند.
ماکسول نی ، نویسنده ارشد این مطالعه ، می گوید: "این سیستم به خودی خود آنچه را که می داند و نمی داند تصمیم می گیرد." "هنگامی که گیر می کند و هیچ الگوی آشنایی برای ترسیم ندارد ، متغیرهایی را در کد قرار می دهد. سپس از یک استراتژی حدس و بررسی برای پر کردن سوراخ ها استفاده می کند."
محققان عملکرد SketchAdapt را با برنامه های مدل شده پس از نرم افزار اختصاصی RobustFill و DeepCoder مایکروسافت ، جانشینان ویژگی FlashFill Excel ، مقایسه کردند که سلول های مجاور را برای ارائه پیشنهادات در هنگام تایپ کردن ، تجزیه و تحلیل می کند. . RobustFill از یادگیری عمیق برای نوشتن برنامه های سطح بالا از مثال ها استفاده می کند ، در حالی که DeepCoder در یافتن و پر کردن جزئیات سطح پایین تخصص دارد.
محققان دریافتند که SketchAdapt در وظایف تخصصی مربوط به نسخه های تجدید شده RobustFill و DeepCoder بهتر عمل کرده است. SketchAdapt از برنامه شبیه RobustFill در تحولات رشته فراتر رفت. به عنوان مثال ، نوشتن برنامه ای برای خلاصه کردن شماره های تأمین اجتماعی به سه رقم و نام های اول با حرف اول آنها. SketchAdapt همچنین در نوشتن برنامه ها بهتر از برنامه مشابه DeepCoder عمل کرد تا لیستی از اعداد را تغییر دهد. فقط با نمونه هایی از برنامه های پردازش لیست سه خط ، SketchAdapt قادر به انتقال دانش خود به سناریوی جدید و نوشتن برنامه های چهار خط صحیح بود.
در یک کار دیگر ، SketchAdapt در تبدیل مشکلات ریاضی از انگلیسی به کد و محاسبه پاسخ از هر دو برنامه پیشی گرفت.
Rishabh Singh ، دانشجوی سابق فارغ التحصیل دانشگاه Solar-Lezama ، که اکنون محقق Google Brain است ، می گوید: موفقیت آن موفقیت امکان تغییر از تطبیق الگوی عصبی به یک جستجوی نمادین مبتنی بر قوانین است. "SketchAdapt می آموزد که چقدر به شناخت الگوی لازم برای نوشتن قسمت های آشنا از برنامه نیاز است ، و چقدر استدلال نمادین برای پر کردن جزئیات که ممکن است مفاهیم جدید یا پیچیده باشد ، لازم است."
SketchAdapt محدود به نوشتن برنامه های بسیار کوتاه است. هر چیزی بیشتر نیاز به محاسبه بیش از حد دارد. با این وجود ، محققان می گویند بیشتر هدف این است که برنامه نویسان را بجای جایگزین کردن آنها جایگزین کنیم. Nye می گوید: "تمرکز ما روی دادن ابزارهای برنامه نویسی به افرادی است که آنها را می خواهند." "آنها می توانند به کامپیوتر بگویند که چه کاری می خواهند انجام دهند ، و رایانه می تواند برنامه را بنویسد."
از همه گذشته ، برنامه نویسی همیشه تکامل یافته است. هنگامی که Fortran در دهه 50 معرفی شد ، منظور این بود که برنامه نویسان انسانی جایگزین شوند. Solar-Lezama می گوید: "نام کامل آن سیستم Fortran Automatic Coding System بود و هدف آن نوشتن برنامه ها و همچنین انسان ها بود اما بدون خطا." "آنچه واقعاً انجام داد این بود كه بیشتر كارهایی را انجام داد كه برنامه نویسان قبل از Fortran انجام می دادند. این ماهیت برنامه نویسی را تغییر داد."
نویسنده: روش اندازه گیری پمپ وکیوم خلاء
نظرات شما عزیزان:
