Verwenden Sie Copilot, um einen KI-Code zu generieren

'Jede ausreichend fortgeschrittene Technologie ist von Magie nicht zu unterscheiden.' Arthur C. Clarke

Im Neurales SBC-Netzwerk Post sahen wir ein 1k-Gewichtungsnetzwerk, das mit 10k-Samples trainiert wurde, um die Sinusfunktion anzunähern. In diesem Beitrag verwenden wir ein 175-G-Gewicht, das mit 450-G-Proben trainiert wurde und besser programmieren kann als der durchschnittliche Programmierer. Die Größe dieser Modelle ist beeindruckend, aber eigentlich weiß niemand wirklich, wie sie funktionieren oder wo ihre Grenzen liegen.

GitHub Copilot ist ein KI-Tool, das die Softwareentwicklung beschleunigt und es dem Programmierer ermöglicht, viele Dinge zu tun, die zuvor unmöglich waren. Zunächst scheint es ähnlich zu sein, StackOverflow zu verwenden, eine Website, auf der Programmierer Fragen senden, wenn sie nicht wissen, wie sie etwas tun sollen, aber Copilot geht viel weiter, es ist in der Lage, eine neue Antwort für unser Problem zu synthetisieren.

Copilot ist in einem Microsoft Visual Studio Code enthalten und schlägt in Grau fortlaufend Codes vor, die Sie durch Drücken der Tab-Taste übernehmen können. Dieser vorgeschlagene Code kann grob als die „häufigste“ Übereinstimmung zwischen Ihrer Abfrage (Ihrem Code) und dem Trainingsdatensatz (GitHub-Code) definiert werden.

Beispiel 1

In diesem Beispiel definieren wir unsere Funktion und ihren Docstring und bitten Copilot um Vervollständigung. Wie wir sehen, entspricht die Vervollständigung dem Docstring. Die erste Intuition ist, dass Copilot als Suchmaschine fungiert und Ihre Suchanfrage einfach mit seinem Trainingsdatensatz (150 GB Open-Source-Projekte) abgleicht, aber so funktioniert es nicht.

Beispiel 2

Hier erstellen wir eine zufällige/verrückte Zeichenfolge, die nicht im Trainingssatz enthalten sein kann. Das Ergebnis sieht immer noch so aus, als wäre es die kohärenteste Lösung, die bereitgestellt werden kann, in diesem Fall: die Summe der Eingabeparameter.

Beispiel 3

In diesem Beispiel fragen wir (auf Spanisch) nach der Summe der Schnittfläche zweier Kreise mit gegebenem Mittelpunkt und Radius. Copilot versteht den spanischen Text ohne Probleme und schlägt den Funktionsnamen, die Parameter und den gesamten Funktionskörper vor. Nach einer kurzen Überprüfung sieht es so aus, als ob der Code funktionieren sollte.

Beispiel 4

Nun erstellen wir einen hypothetischen Frage/Antwort-Text. Dadurch ordnet Copilot die Abfrage einigen Untersuchungen zu, die sich in diesem Trainingsdatensatz befinden können. Wir fragen einfach nach der Hauptstadt von Spanien und Copilot generiert die richtige Antwort.

Beispiel 5

Wenn wir jedoch nach einem nicht existierenden Land fragen, gibt Copilot auch seine beste Antwort, die auch „richtig“ aussieht.

Beispiel 6

In diesem Beispiel kehren wir den Prozess um, wir geben die Antwort, um zu versuchen, die Frage zu generieren. Copilot generiert eine Frage, die wir nicht erwartet haben. Wir erwarteten 'Was ist die Hauptstadt von Frankreich?' und Copilot fragte: "Was ist das Ergebnis des folgenden Codes?" aber dennoch können wir einen richtigen Vorschlag verstehen.

Beispiel 7

Hier zwingen wir Copilot, nachzufragen, was wir in eine gebräuchlichere Sprache ändern und den Anfangsbuchstaben hinzufügen möchten. Es erzeugt jedoch eine andere Frage, diesmal völlig falsch und in keiner Beziehung zur Antwort.

Zusammenfassend, Copilot:

• Erstellt einen Vorschlag basierend auf der gängigsten Lösung.
• Stimmt meist einfach, wenn deine Abfrage Sinn macht.
• Ist normalerweise falsch, wenn Ihre Abfrage wie ein allgemeines Problem aussieht, es aber nicht ist und eigentlich ein ganz anderes Ziel hat.

Copilot mit Open-Source-Bibliotheken

Copilot wurde mit Open-Source-Projekten geschult. Es enthält Millionen von Anwendungsfällen jeder Open-Source-Bibliothek wie numpy, opencv, qt … Das macht Copilot wirklich nützlich, weil es dem Programmierer mit dem häufigsten Vorschlag hilft, der normalerweise der beste ist.

Beispiel 8

In diesem Beispiel verwenden wir die Gerätetest Python-Modul, und Copilot weiß, dass das unittest.TestCase hat eine Methode namens behauptenGleich und weiß das auch foo( 1, 2 ) sollte 3 sein.

Beispiel 9

Oben erstellen wir eine komplexere foo Funktion (von der wir annehmen, dass sie nicht in den Trainingsdaten enthalten sein kann), um zu sehen, ob Copilot den Code wirklich versteht. Nachdem der Code mit 17 Testfällen ausgeführt wurde, sind nur 6 fehlgeschlagen, was eine Erfolgsquote von 65 % ergibt.

Es scheint nicht viel zu sein, aber denken Sie daran, dass Copilot kein Python-Interpreter ist, es hat die Funktion nicht ausgeführt, um seine Ausgabe zu erhalten … Copilot hat das, was während des Trainings gelernt wurde, verwendet, um unsere Abfrage in die Ausgabe zu konvertieren, die eine perfekte Python-Syntax und hat funktioniert auch gut 65% der Zeit.

Beispiel 10

Man könnte erwarten, dass ein langer Eingabetext dazu führt, dass Copilot fehlschlägt, aber das ist nicht der Fall, je mehr Informationen wir geben, desto bessere Antworten kann Copilot generieren.

Im obigen Beispiel bitten wir um eine komplexe Aufgabe, ein vollständiges Programm, für dessen Lösung verschiedene Kenntnisse erforderlich sind, wie z.

Der vollständige Hinweis wird in der nächsten Zelle angezeigt. Beachten Sie, dass es sehr gut zur Programmbeschreibung passt. Die Anwendungsklasse macht Sinn, und sogar die Micropython-Bibliotheken (PIN, UART, ADC, PIN.irq…) werden korrekt verwendet. Es ist nicht 100% perfekt, zum Beispiel in diesem Fall temp_senor ist ein ADC-Objekt, das nicht vorhanden ist temp_sensor.init() Methode, und andere kleine Fehler können generiert werden, aber die gesamte Struktur des Programms ist definitiv korrekt und die kleinen Fehler können leicht behoben werden.