Zusammenfassungen
Programming is a powerful and ubiquitous problem-solving tool. Systems that can assist programmers
or even generate programs themselves could make programming more productive and accessible.
Recent transformer-based neural network models show impressive code generation abilities yet still
perform poorly on more complex tasks requiring problem-solving skills, such as competitive
programming problems. Here, we introduce AlphaCode, a system for code generation that achieved
an average ranking in the top 54.3% in simulated evaluations on recent programming competitions on
the Codeforces platform. AlphaCode solves problems by generating millions of diverse programs using
specially trained transformer-based networks and then filtering and clustering those programs to a
maximum of just 10 submissions. This result marks the first time an artificial intelligence system has
performed competitively in programming competitions.
Von Yujia Li, David Choi, Junyoung Chung, Nate Kushman, Julian Schrittwieser, Rémi Leblond, Tom Eccles, James Keeling, Felix Gimeno, Agustin Dal Lago, Thomas Hubert, Peter Choy, Cyprien de Masson d’Autume, Igor Babuschkin, Xinyun Chen, Po-Sen Huang, Johannes Welbl, Sven Gowal, Alexey Cherepanov, James Molloy, Daniel J. Mankowitz, Esme Sutherland Robson, Pushmeet Kohli, Nando de Freitas, Koray Kavukcuoglu, Oriol Vinyals im Text Competition-level code generation with AlphaCode (2022) Dieser wissenschaftliche Zeitschriftenartikel erwähnt ...
Personen KB IB clear | Sandhini Agarwal , Dario Amodei , Amanda Askell , Christopher Berner , Karen Brennan , Tom B. Brown , Mark Chen , Benjamin Chess , Rewon Child , Jack Clark , Kewal Dhariwal , Prafulla Dhariwal , Evelyn Eastmond , Scott Gray , Tom Henighan , Ariel Herbert-Voss , Christopher Hesse , Yasmin B. Kafai , Jared Kaplan , Gretchen Krueger , Mateusz Litwin , John Maloney , Benjamin Mann , Sam McCandlish , Amon Millner , Andrés Monroy-Hernández , Arvind Neelakantan , Alec Radford , Aditya Ramesh , Mitchel Resnick , Eric Rosenbaum , Natalie Rusk , Nick Ryder , Girish Sastry , Pranav Shyam , Eric Sigler , Jay Silver , Brian Silverman , Melanie Subbiah , Ilya Sutskever , Clemens Winter , Jeffrey Wu , Daniel M. Ziegler | ||||||||||||||||||
Aussagen KB IB clear | Programmieren ist schwierig | ||||||||||||||||||
Begriffe KB IB clear | alphaCode , Generative Machine-Learning-Systeme (GMLS)computer-generated text , Künstliche Intelligenz (KI / AI)artificial intelligence , machine learning , Programmierenprogramming | ||||||||||||||||||
Bücher |
| ||||||||||||||||||
Texte |
|
Dieser wissenschaftliche Zeitschriftenartikel erwähnt vermutlich nicht ...
Nicht erwähnte Begriffe | Chat-GPT, GMLS & Bildung, Intelligenz |
Tagcloud
Zitationsgraph
Zitationsgraph (Beta-Test mit vis.js)
4 Erwähnungen
- AlphaCode and «data-driven» programming - Is ignoring everything that is known about code the best way to write programs? (J. Zico Kolter) (2022)
- The Premature Obituary of Programming - Why deep learning will not replace programming (Daniel M. Yellin) (2023)
- The Singularity is nearer (Ray Kurzweil) (2024)
- 2. Reinventing Intelligence
- DELFI 2024 (Sandra Schulz, Natalie Kiesler) (2024)
- Evaluating Task-Level Struggle Detection Methods in Intelligent Tutoring Systems for Programming (Jesper Dannath, Alina Deriyeva, Benjamin Paaßen) (2024)
Volltext dieses Dokuments
Competition-level code generation with AlphaCode: Artikel als Volltext (: , 1318 kByte; : ) |
Anderswo suchen
Beat und dieser wissenschaftliche Zeitschriftenartikel
Beat hat Dieser wissenschaftliche Zeitschriftenartikel während seiner Zeit am Institut für Medien und Schule (IMS) ins Biblionetz aufgenommen. Beat besitzt kein physisches, aber ein digitales Exemplar. Eine digitale Version ist auf dem Internet verfügbar (s.o.). Aufgrund der wenigen Einträge im Biblionetz scheint er es nicht wirklich gelesen zu haben. Es gibt bisher auch nur wenige Objekte im Biblionetz, die dieses Werk zitieren.