21.23% فقط من أوراق التعلّم الآلي تتضمن التعليمات البرمجية الخاصة بها، مما يخلق عائقاً كبيراً أمام الباحثين في إمكانية التكرار. يغيّر PaperCoder هذا الأمر من خلال إطار عمل للذكاء الاصطناعي يحول الأوراق البحثية تلقائيًا إلى مستودعات أكواد برمجية تعمل بكامل طاقتها.
نظرة عامة على PaperCoder وفجوة توافر التعليمات البرمجية في أبحاث التعلم الآلي. صور من الورقة البحثية.
تحدي قابلية الاستنساخ في التعلم الآلي
تتقدم أبحاث تعلّم الآلة بسرعة، لكن تطبيقات التعليمات البرمجية المقابلة لها لا تزال غير متاحة في كثير من الأحيان. يجبر هذا الأمر الباحثين على استثمار وقت وجهد كبيرين في الهندسة العكسية للطرق من الأوراق البحثية، مما يبطئ الابتكار العلمي بشكل كبير.
وقد أظهرت التطورات الأخيرة في نماذج تعلّم الآلة ذات التعلم الآلي قدرات مذهلة في فهم الأكواد البرمجية وتوليدها. تُظهر نماذج مثل Llama 3 و GPT-4 و Gemini إمكانية تسريع سير العمل العلمي من خلال توليد أكواد عالية الجودة. ومع ذلك، فإن معظم الأساليب الحالية لأتمتة التجارب تفترض الوصول إلى التطبيقات الحالية أو واجهات برمجة التطبيقات المحددة جيدًا.
يعالجPaperCoder تحديًا أكثر جوهرية: توليد تطبيقات كود كاملة ومخلصة من الأوراق البحثية فقط دون الاعتماد على كود سابق أو مواد إضافية.
إطار عمل PaperCoder: نهج متعدد المراحل
يتبنى PaperCoder نهجًا منظمًا يعكس مبادئ هندسة البرمجيات المعمول بها. يقوم النظام بتحليل التحويل المعقد من الورق إلى كود إلى ثلاث مراحل متسلسلة: التخطيط والتحليل والتوليد.
مقارنة بين التوليد المباشر الساذج ونهج PaperCoder المنظم المكون من ثلاث مراحل.
مرحلة التخطيط: إنشاء المخطط
تحتوي الأوراق البحثية على معلومات جوهرية غير ذات صلة مباشرة بالتنفيذ. تقوم مرحلة التخطيط بتقطير الورقة البحثية إلى مكونات منظمة ضرورية لتطوير الكود: