EditLord: Learning Code Transformation Rules for Code Editing
EditLord एक कोड एडिटिंग फ्रेमवर्क है जो प्रशिक्षण डेटा से संक्षिप्त मेटा-नियमों को स्पष्ट रूप से निकालने के लिए एक लैंग्वेज मॉडल का उपयोग करके कोड ट्रांसफॉर्मेशन चरणों को निर्देशित करता है, जिससे प्रदर्शन, मजबूती और कार्यात्मक शुद्धता में सुधार होता है, और इस प्रकार यह मौजूदा अत्याधुनिक इमप्लिसिट एंड-टू-एंड दृष्टिकोणों से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रेसिपी को ठीक करने की कोशिश कर रहे एक मास्टर शेफ हैं। कभी-कभी, व्यंजन का स्वाद ठीक होता है, लेकिन इसे पकाने में बहुत समय लगता है। अन्य समय में, निर्देश एक गुप्त कोड में लिखे होते हैं जिसे केवल मूल शेफ ही समझ सकता है, जिससे किसी और के लिए इसे पढ़ना असंभव हो जाता है। कंप्यूटर विज्ञान की दुनिया में, यह "कोड एडिटिंग" का दैनिक संघर्ष है। कंप्यूटर सख्त निर्देशों की एक भाषा बोलते हैं, और जब डेवलपर्स किसी प्रोग्राम के काम करने के तरीके को बदलना चाहते हैं—उसे तेज़, सुरक्षित या पढ़ने में आसान बनाने के लिए—तो उन्हें उन निर्देशों को फिर से लिखना पड़ता है। लंबे समय तक, हम सुपर-स्मार्ट AI सहायकों (जिन्हें लार्ज लैंग्वेज मॉडल्स कहा जाता है) पर निर्भर रहे हैं जो इस पुनर्गठन (rewriting) को करते हैं। ये AI मॉडल प्रतिभाशाली लेकिन थोड़े अराजक प्रशिक्षुओं (apprentices) की तरह हैं जो रेसिपी के अगले चरण का अनुमान लगा सकते हैं। हालाँकि, वे अक्सर गलत अनुमान लगाते हैं, जिससे व्यंजन का स्वाद पूरी तरह बदल जाता है या प्रक्रिया के दौरान ओवन भी टूट जाता है। वे वास्तव में खाना पकाने के नियमों को समझने के बजाय, लाखों रेसिपीज़ को याद करके और सही उत्तर को "महसूस" करके सीखने की कोशिश करते हैं। यह शोध पत्र एक सरल लेकिन शक्तिशाली प्रश्न पूछता है: क्या होगा यदि, केवल अनुमान लगाने के बजाय, हम AI को रेसिपी को ठीक करने के विशिष्ट, चरण-दर-चरण नियम सिखाएं, ताकि उसे पता हो कि वास्तव में क्या बदलना है और किसे वैसे ही छोड़ देना है?
इस अध्ययन के पीछे के शोधकर्ताओं ने, वेइचेन ली और सहयोगियों के नेतृत्व में, एक नया फ्रेमवर्क पेश किया है जिसे EDITLORD कहा जाता है। EDITLORD को AI के लिए एक "नियम पुस्तिका निर्माता" (rulebook maker) के रूप में समझें। केवल एक AI से "इस कोड को ठीक करो" कहने के बजाय, EDITLORD पहले एक जासूस की तरह कार्य करता है, कोड के हजारों उदाहरणों का अध्ययन करता है जिन्हें ठीक करने से पहले और बाद में देखा गया था। इन उदाहरणों से, यह संक्षिप्त "मेटा-रूल्स" (meta-rules) की एक सूची निकालता है—सरल, स्पष्ट निर्देश जैसे "एक धीमी चम्मच के उपयोग से बदलकर एक तेज़ व्हिस्क (whisk) का उपयोग करें" या "एक भ्रमित करने वाले सामग्री के नाम को एक स्पष्ट नाम से बदलें।" ये नियम सामान्य अंग्रेजी में लिखे गए हैं, जिससे वे मनुष्यों के लिए समझने में आसान और AI के लिए पालन करने में सरल बन जाते हैं। एक बार जब AI के पास यह नियम पुस्तिका होती है, तो वह नए कोड को संपादित करता है। परिणाम यह है कि एक ऐसा AI जो केवल समाधान का भ्रम (hallucinate) पैदा नहीं करता, बल्कि समस्या को ठीक करने के लिए एक तार्किक, स्पष्ट पथ का अनुसरण करता है।
शोध पत्र पाता है कि यह दृष्टिकोण एक गेम-चेंजर है। तीन महत्वपूर्ण कार्यों पर परीक्षण किए जाने पर—कोड को तेज़ चलाना, मशीन-जनरेटेड कोड को वापस मानव-पठनीय रूप में अनुवादित करना, और सुरक्षा खामियों को ठीक करना—EDITLORD ने वर्तमान सर्वोत्तम तरीकों से काफी बेहतर प्रदर्शन किया। औसतन, इसने एडिटिंग प्रदर्शन में 22.7% का सुधार किया और AI को 58.1% अधिक सुदृढ़ (robust) बनाया, जिसका अर्थ है कि जब इनपुट थोड़ा अलग दिखता था, तो इसके कोड को तोड़ने की संभावना बहुत कम थी। सुरक्षा संबंधी कमजोरियों को ठीक करने के विशिष्ट कार्य में, इसने 20.2% उच्च कार्यात्मक शुद्धता (functional correctness) प्राप्त की, जिससे यह सुनिश्चित हुआ कि कोड सुरक्षित होने के साथ-साथ अपने इच्छित कार्य को भी करता रहे। इससे भी अधिक प्रभावशाली बात यह है कि जब शोधकर्ताओं ने मानव विशेषज्ञों को AI की नियम पुस्तिका में बदलाव करने दिया, तो प्रदर्शन बढ़कर 35.5% तक हो गया, जो दर्शाता है कि यह प्रणाली मानवीय ज्ञान से सीखने के लिए पर्याप्त लचीली है।
लेखक स्पष्ट रूप से इस विचार का विरोध करते हैं कि हमें केवल भारी मात्रा में डेटा के माध्यम से सही संपादन का "अनुमान" लगाने के लिए AI मॉडलों को प्रशिक्षित करते रहना चाहिए बिना चरणों को समझे। वे दिखाते हैं कि यह "ब्लैक बॉक्स" दृष्टिकोण अक्सर उप-इष्टतम (suboptimal) परिणामों और सामान्यीकरण (generalization) की कमी की ओर ले जाता है, जहाँ AI उस कोड के सामने विफल हो जाता है जिसे उसने पहले नहीं देखा है। इसके विपरीत, EDIT-LORD का संपादन चरणों को स्पष्ट और मॉड्यूलर बनाने का तरीका AI को बहुत बेहतर तरीके से सामान्यीकरण करने की अनुमति देता है। उदाहरण के लिए, जब उस कोड पर परीक्षण किया गया जो प्रशिक्षण के दौरान देखे गए कोड से लंबा था, तो EDITLORD में मानक मॉडलों की तुलना में प्रदर्शन में बहुत कम गिरावट आई। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि हालांकि यह तरीका अत्यधिक प्रभावी है, यह गारंटी नहीं देता कि संपादित किया गया प्रत्येक कोड एकदम सही होगा; कार्यात्मक शुद्धता को एक लक्ष्य के रूप में माना जाता है जिसे प्राप्त करने का प्रयास किया जाना है, न कि हर एक मामले में एक पूर्ण गणितीय निश्चितता के रूप में। हालाँकि, डेटा बताता है कि कोड एडिटिंग को एक संरचित, नियम-आधारित प्रक्रिया में बदलकर, हम ऐसे AI उपकरण बना सकते हैं जो न केवल स्मार्ट हैं, बल्कि उन डेवलपर्स के लिए सुरक्षित और अधिक विश्वसनीय भी हैं जो हर दिन उन पर भरोसा करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।