僅一周多的時間，您中的大多數人就會聽說Facebook的AI研究團隊（FAIR）開發了一種神經轉編譯器，該代碼使用“無監督翻譯 ” 將高級編程語言（如C ++，Python，Java，Cobol）的代碼轉換為另一種語言。傳統的方法是標記源語言并將其轉換為抽象語法樹（AST），反編譯器將根據定義翻譯的手寫規則（例如抽象或上下文）將其用于轉換為所選的目標語言。沒有丟失。

在過去的幾十年中，神經語言翻譯取得了如此重大的進步，以至于盡管只有足夠的并行語料庫才是唯一的限制，但是這些神經模型往往要比硬編碼的手寫規則好得多。

這已通過“無監督的ML翻譯”方法得到了更大程度的解決，其中Facebook的研究團隊使用了來自Github的不同編程語言的大量單語源代碼庫來訓練模型。

這使許多組織感到寬慰，尤其是在保險，政府和銀行部門，他們繼續使用舊版應用程序，而這些應用程序幾乎沒有增強或微調的空間，因為它們是由真正熟練的程序員在過去的美好時光中編寫的— COBOL ，Pascal，Fortran等。

盡管編程語言已經隨著時間的流逝而發展，但是從一種代碼庫移植到更高效或更現代的語言（如Java，Swift，Ruby，python）卻是真正的痛苦，因為它需要源語言和目標語言方面的專業知識。例如，有報道稱，澳大利亞聯邦銀行花費了高達7.5億美元，并在五年內將其核心軟件從大型機上的COBOL遷移到了現代平臺上。

基于規則的翻譯實現起來很復雜，靈活性和解釋性較差。Facebook的Transcoder可以解決長期存在的問題。

FAIR代碼轉換器的主要組件

FAIR轉碼器基于一種變壓器架構，包括一個編碼器和一個解碼器，基于“注意就是您所需要的”論文。FAIR轉碼器依賴于單個模型進行編碼和解碼，并且基于3個原理：

屏蔽語言模型預訓練

去噪自動編碼

回譯

1. 屏蔽語言模型預訓練

掩蔽語言預訓練模型基于BERT論文，該模型訓練編碼器從源代碼中識別出掩蔽標記。訓練編碼器以理解編程構造，以便在屏蔽某些令牌時識別丟失的令牌并對其進行重構。