Чтобы научиться программировать необходимо признать, как структурировать программу, и как заполнять каждую деталь правильно. Неудивительно, что это может быть так расстраивает.
Новой программой-написание ИИ, SketchAdapt, предлагает выход. Обучены десятки тысяч примеров программы, SketchAdapt научится сочинять короткие, на высоком уровне программ, а сдача второй набор алгоритмов найти правильный суб-программы для заполнения реквизитов. В отличие от аналогичных подходов для автоматизированного программа-написания, SketchAdapt знает, когда надо перейти от статистического сопоставления к менее эффективному, но более универсальный, символический рассуждения режиме, чтобы заполнить пробелы.
“Нейронные сети хороши в структуре права, а не детали”, — говорит Армандо Солар-Лесама, профессор Массачусетского технологического института компьютерных наук и лаборатории искусственного интеллекта (CSAIL). “За счет разделения труда — позволил нейронных сетей обрабатывать структуры высокого уровня, и используют стратегию поиска, чтобы заполнить пробелы — мы можем писать эффективные программы, которые дают правильный ответ.”
SketchAdapt является сотрудничество между Солар-Лесама и Джош Тененбаум, профессор Центра CSAIL и МТИ мозги, умы и машины. Работа будет представлена на международной конференции по машинному обучению 10-15 июня.
Синтез программы или учебных компьютеров в код, уже давно не является целью исследователей ИИ. Компьютер, сама программа имеет больше шансов выучить язык быстрее, беседу, и даже модель человеческого познания. Все это вызвало Солар-Лесама на поле в качестве аспиранта, где он заложил основу для SketchAdapt.
Солар-Лесама начале работы, эскиз, основанный на идее, что низкоуровневые программы может быть механическим при наличии высокого уровня структуры. Среди других приложений, скетч вдохновил продолжениях автоматическую уроки программирования класс и преобразовывать нарисованные от руки схемы в код. Позже, как нейронные сети выросла в популярности, студентов из компьютерной когнитивной Тененбаум в научной лаборатории предложили сотрудничество, из которой SketchAdapt образуется.
Вместо того чтобы полагаться на экспертов, чтобы определить структуру программы, SketchAdapt выяснит это с помощью глубокого обучения. Исследователи также добавили поворот: когда нейронные сети не уверены, что код в место, где, SketchAdapt запрограммирован, чтобы оставить место пустым для алгоритмов поиска, чтобы заполнить.
“Система сама решает, что она знает и не знает”, — говорит ведущий автор исследования Максвелл-Ная, аспирант кафедры Массачусетского технологического института мозга и когнитивных наук. “Когда он застревает, и не привычные шаблоны, чтобы рисовать, он оставляет текст в код. Затем он использует предположение и проверить стратегии, чтобы заполнить дыры”.
Исследователи сравнили SketchAdapt производительность программы, созданная на основе Microsoft собственный RobustFill и DeepCoder программного обеспечения, преемники в Excel FlashFill функция, которая анализирует соседние ячейки, чтобы предложить предложения при вводе — обучение для преобразования столбца в столбец соответствующего адреса электронной почты, например. RobustFill использует глубокий учимся писать программы высокого уровня, с примерами, в то время как DeepCoder специализируется на поиске и заполнении низкоуровневые детали.
Исследователи обнаружили, что SketchAdapt превзошли их перекрываем версии RobustFill и DeepCoder на своих специализированных задач. SketchAdapt лучше RobustFill-как программа В преобразования строк; например, написание программы для сокращенного номера социального страхования как три цифры, и имена по первой букве. SketchAdapt тоже ничего лучше, чем DeepCoder программы при написании программы, чтобы преобразовать список чисел. Обучение только на примерах три строки списка-программ обработки, SketchAdapt был лучше способен передать свои знания новому сценарию и правильно написать четыре строки программы.
В еще одна задача, SketchAdapt обогнали обе программы на преобразование математических задач с английского на код, и вычисления ответа.
Ключом к успеху является возможность переключения из нейронных шаблона, основанного на правилах символический поиск, говорит Вишну Сингх, бывший аспирант Солар-Лесама, теперь исследователь в Гугле мозга. “SketchAdapt узнает, сколько распознавание образов необходимо писать знакомые части программы, и сколько символическое мышление необходимо для того чтобы заполнить в деталях, которые могут привлечь новых или сложных понятий”.
SketchAdapt ограничивается пишу очень короткие программы. Все остальное требует слишком много вычислений. Тем не менее, он предназначен больше для программистов дополнять, а не заменять их, говорят исследователи. “Наше внимание сосредоточено на предоставлении инструментов программирования для людей, которые хотят их”, — говорит Найем. “Они могут сказать компьютеру, что они хотят делать, и компьютер сможет писать программы”.
Программирования, в конце концов, всегда развивалась. Когда Фортран был введен в 1950-х годах, он был призван заменить человека программистов. “Его полное имя было автоматической системы Фортран кодирование и его цель в том, чтобы писать программы, как и людям, но без ошибок”, — говорит Солар-Лесама. “Что это действительно было автоматизировать многое из того, что программисты делали раньше на Фортране. Это изменило характер программирования”.
Другие исследования соавтор Люк Хьюит. Финансирование было предоставлено под офис ВВС США Научно-исследовательского института-лаборатории IBM Уотсон AI и Национальным научным фондом США.
Больше записей автора Роботы и киборги
Новая разработка ученых Сколтеха: «электронный нос» и компьютерное зрение помогут определить готовность блюд
Исследователи Сколтеха придумали, как с помощью химических сенсоров и компьютерного зрения определить, правильно ли приготовлена, например, курица-гриль. Этим методом смогут …
В Университете Иннополис создают робототехнические системы на основе скручивания нитей для физической помощи человеку
Специалисты Лаборатории мехатроники, управления и прототипирования Университета Иннополис выиграли 1,5 миллиона рублей в конкурсе РФФИ и Лондонского королевского общества на …
Инженеры Университета Джорджии разработали обвивающийся роботизированный захват
Вьющиеся растения отлично умеют держатся за тонкие предметы, такие как веревки. Новый роботизированный захват, созданный по их подобию, может найти …