Naukowcy z Google Brain, jednego z działów badań nad AI w Google, opracowali zautomatyzowane narzędzie do programowania w ramach Sztucznej Inteligencji. Według ich deklaracji osiąga ona lepsze wyniki niż człowiek w przypadku niektórych trudnych zadań programistycznych. AI rozwiązuje skomplikowane problemy, które potrafią zabrać nawet specjalistom długie godziny w zaledwie sekundy. Oczywiście słowem klucz pozostaje tutaj hasło niektóre. Nie należy wyciągać tutaj wniosków, że Sztuczna Inteligencja pozbawi programistów pracy. Przynajmniej nie w najbliższej przyszłości.
Sztuczna Inteligencja Google skuteczniejsza od programistów
Pojawiające się techniki sztucznej inteligencji zaowocowały przełomowymi rozwiązaniami w zakresie przetwarzania obrazu i dźwięku, operowaniem językiem naturalnym i robotyki. Ważną rolę odgrywają tu szkielety do nauki maszynowej, takie jak TensorFlow, Facebook PyTorch i MXNet. Umożliwiają one naukowcom opracowywanie i udoskonalanie nowych modeli. Jednak chociaż te ramy ułatwiły iterację i szkolenie modeli AI, mają one stromą krzywą uczenia się, czyli z czasem napotykają trudności. Wszystko przez to, że paradygmat przetwarzania danych przez tensory jest zupełnie inny niż tradycyjne programowanie. Warto tu dodać, że owe tensory to obiekty algebraiczne, które opisują relacje między zestawami rzeczy związanych z przestrzenią wektorową i są wygodnym formatem danych w uczeniu się maszynowym.
Zobacz też: Jak zbudować ekosystem urządzeń elektronicznych i czy w ogóle warto to robić?
Autorzy badania stwierdzili, że w eksperymentach TF-Coder osiągnął nadludzkie możliwości w rozwiązywaniu wielu prawdziwych problemach. Udało mu się pomyślnie rozwiązać 63 z 70 zadań, poświęcając każdemu z nich około 17 sekund. Co ciekawe, TF-Coder stworzył również rozwiązania, które zdaniem współautorów były prostsze i bardziej eleganckie niż te napisane przez ekspertów. Dwa rozwiązania wymagały mniej operacji niż najlepsze rozwiązania pisane ręcznie.
Jak możemy przeczytać we wnioskach końcowych badania:
Wierzymy, że TF-Coder może pomóc zarówno początkującym, jak i doświadczonym programistom w pisaniu skomplikowanych programów do transformacji tensorów, które są powszechne w głębokich potokach nauczania. Być może najważniejszą lekcją płynącą z tej pracy jest po prostu fakt, że dobrze zoptymalizowane enumeratywne poszukiwania mogą w ciągu kilku sekund skutecznie rozwiązać prawdziwe problemy z manipulacją tensorami. I to nawet w przypadku prostych problemów, z którymi ludzcy programiści zmagają się w ciągu kilku minut.
Źródło: venturebeat