tab nine что это
TabNine — ИИ, помогающий писать код
Мы давно привыкли к функции автозаполнения и текстовым редакторам, дописывающим начатые пользователем слова. Теперь аналогичный сервис можно использовать и при программировании. Инструмент TabNine предлагает автодополнение кода — следующий элемент на основе только что набранного.
Как пишет Хайтек+, TabNine, достаточно интегрировать его в один из существующих редакторов кода. Инструмент поддерживает 22 языка, включая Python, JavaScript, Java, C ++, C, PHP, Go, C #, Ruby, Objective-C, Rust и Swift. Из редакторов — VS Code, Sublime Text, Atom, Emacs и Vim.
По словам разработчика Джейкоба Джексона, в основу алгоритма легла система обработки естественного языка GPT-2 от OpenAI. Для того, чтобы натренировать ИИ, он использовал более 2 млн файлов из GitHub. Обрабатывая текущую строчку, TabNine предлагает наиболее вероятные варианты ее завершения исходя из своего обширного опыта.
В настоящее время TabNine проходит бета-тестирование. Команда также работает над более компактной версией алгоритма, которая будет работать на обычном компьютере. Разрабатывается и корпоративная версия.
ML в помощь: инструменты для разработчика с использованием ИИ
Машинное обучение продолжает проникать в самые разные сферы человеческой деятельности, и такая технологичная область, как разработка ПО, конечно, не могла стать исключением. По прогнозу специалиста по ИИ и машинному обучению Сергея Маркова, озвученному в лекции «Итоги ИИ-2019», в 2020-м году появится большое количество инструментов разработки, использующих машинное обучение. Это навело меня на мысль, что какие-то из этих инструментов должны быть доступны на рынке уже сейчас — могут ли они в таком случае помочь «в быту» обычному веб-девелоперу, пишущему на Java, Python и JS?
Забегая вперед, скажу, что, к моему сожалению, решений, способных генерировать хоть сколько-нибудь «боевой» код, в открытом доступе сейчас нет. Ближе всего к этому подошли Bayou и DeepCoder, но и эти проекты всё еще слишком сырые. Больший прогресс наблюдается в смежных направлениях — таких как автокомплит, статический анализ, генерация тестов. Об этом я и расскажу в статье.
Kite — умный автокомплит и встроенная документация в IDE для Python
Сайт: https://kite.com/
Цена: Полностью бесплатный.
Плагин для ускорения написания кода при помощи «умного» автодополнения. Kite индексирует кодовую базу проекта, что подразумевает показ наиболее релевантных подсказок. Помимо собственно автокомплита, при необходимости можно в один клик раскрыть встроенную документацию с примерами кода для 800+ библиотек (наиболее полезно для библиотек типа numpy или pandas). Раз в неделю на почту присылается отчет со статистикой использования функции автоподстановки.
Предложения Kite (помечены значком) намного релевантнее нативных. Pop-up с документацией подскажет, что можно передать в kwargs
Раньше Kite отправлял небольшие куски кода на сервер, что многим не подходит по соображениям безопасности, но — хорошая новость! — сейчас Kite от этой практики отказался, и весь анализ происходит локально. В использовании плагин вполне дружелюбен — легко устанавливается и шустро работает, не загружая систему. Kite поддерживает большинство популярных IDE: Idea,PyCharm, Sublime, Vim, Vs code, Spyder и Atom. 
В сухом остатке: пожалуй, самый готовый для боевого использования проект в подборке. Рекомендую всем, кто пишет на Python.
Для других языков есть аналогичные продукты — Codota для Java или TabNine, который поддерживает 22 языка. Не успел их распробовать, но по ощущениям, Codota предлагает более консервативные подсказки, в то время как TabNine (для Java) предлагает целые куски кода, включая имена переменных (иногда без всякого контекста) и попадает в точку.
DeepCode — статический анализатор кода с упором на поиск уязвимостей
Сайт: https://www.deepcode.ai/
Цена: Cloud версия бесплатна для opensource-проектов и команд до 30 человек. Есть self-hosted вариант для GitLab и BitBucket Enterprise, цена договорная.
По меткому выражению разработчиков, DeepCode — это Grammarly для кода. Назначение — помощь разработчику в обнаружении ошибок и уязвимостей в коде. Self-hosted решение поставляется в виде docker-контейнера, интегрируется в систему контроля версий через хуки и настраивается буквально за 10 минут. Также доступен бот для проверки пулл-реквестов. Заявлена поддержка языков Java, Python, JavaScript, и TypeScript.
Пример рекомендации DeepCode
Впечатления от использования: очень порадовал низкий процент ложных срабатываний. Все найденные проблемы были вполне реальными и не выстреливали по не зависящим от качества проверки причинам (код с багами не запускался, небезопасный код не использовал пользовательский ввод). Предупреждения, связанные с производительностью, также выглядят вполне резонно. Количество обнаруженных проблем в сравнении с анализатором Java кода FineBugs или той же PVS-Studio выглядит незначительным — 200 против 2-4 тысяч. Не знаю, считать ли это плюсом, но 200 штук по крайней мере реально разобрать, чего не скажешь о 4 тысячах.
Бот проверяет каждый pull request
В сухом остатке: если при работе с линтерами вас всегда расстраивало количество ложных срабатываний, стоит попробовать DeepCode. Также это отличный способ контрибьютить в opensource: форкните проект себе, прогоните тест — и парочка полезных pull requests у вас в кармане.
DiffBlue — автогенератор unit-тестов для Java
Сайт: https://www.diffblue.com/
Цена: 3375$ в месяц для команды из 25 человек. Бесплатный тариф для индивидуального использования пока в планах.
Этот продукт выглядит самым амбициозным в подборке. Британский стартап, в прошлом году получивший 20 миллионов в качестве инвестиции от Goldman Sachs. Если изначально я искал что-то, что генерирует код по тестам, то DiffBlue генерит тесты по коду с возможностью встраивания в CI. Продукт отличает хорошая интеграция с тестовой инфраструктурой Spring Boot. Работает с Gradle, Maven, testng, Junit.
Разработчиком заявлены два режима работы:
DiffBlue сам мокает классы, генерирует фикстуры и ассерты.
На реальных проектах DiffBlue показал себя неоднозначно.
Кодить станет проще: представлен умный инструмент для автозаполнения в редакторах кода
Программист Джейкоб Джексон, изучающий информатику в канадском Университете Ватерлоо, написал интеллектуальное средство автозавершения строк – Deep TabNine. Инструмент поможет разработчикам быстрее писать код за счет автозаполнения. Выбирая один из предложенных вариантов завершения строк, разработчик сможет писать код быстрее и избавляется от ошибок, которые тормозят процесс разработки.
Как работает TabNine
TabNine создан на базе технологий машинного обучения. Разработчики отметили: глубокое обучение действительно наделало немало шума в разных отраслях, но в основном это были эксперименты вроде синтеза речи или создания фотореалистичных портретов. В программировании TabNine – едва ли не первое практическое применение технологии.
TabNine помогает программисту писать код на Python
Инструмент использует модель GPT-2 для обработки естественного языка. Разработчики адаптировали модель, чтобы она могла понимать код. Широкие возможности, характерные для анализа естественного языка, решили не убирать. TabNine работает с комментариями и документацией – и здесь успешное автозаполнение экономит время на написание кода.
Модель тренировали на 2 млн файлов с GitHub. Их брали из открытых репозиториев. В результате TabNine уловил закономерности и в большинстве случаев успешно дополнил написанное.
Кому подойдет TabNine
Пока TabNine существует лишь в бета-версии. Что протестировать ее, нужно зарегистрироваться на сайте проекта.
Deep TabNine – инструмент на базе искусственного интеллекта, который помогает писать код
За прошедший год искусственный интеллект заметно улучшил свои способности генерировать письменную речь. Сканируя массивные данные, программа на базе машинного обучения может создавать практически всё, начиная от коротких рассказов до текстов песен. Теперь эти же методы применяются и в кодировании с помощью нового инструмента под названием Deep TabNine.
Deep TabNine – это программа для автозаполнения кода, созданная студентом факультета информатики Университета Ватерлоо Джейкобом Джексоном (Jacob Jackson). Программисты могут установить её как дополнение для своего редактора. Она не является чем-то уникальным, подобного рода программное обеспечение существовало и ранее, но машинное обучение значительно улучшило его возможности. Впервые программа вышла в ноябре прошлого года, а в этом месяце автор выпустил обновлённую версию, которая использует алгоритм генерации текста с глубоким обучением под названием GPT-2, разработанный исследовательской лабораторией OpenAI для улучшения своих возможностей. Обновление настолько впечатлило программистов, что они назвали Deep TabNine «сногсшибательным» инструментом.
Джексон утверждает, что его программа предлагает лучшие подсказки, поскольку работает на прогнозирующей основе, тогда как большинству других автозаполнителей кода приходится анализировать то, что пользователь уже написал. Deep TabNine для своих прогнозов опирается на способность машинного обучения находить статистические закономерности в данных.
Аналогично тому, как ИИ-алгоритмы обучаются на книгах, статьях и прочих источниках информации, Deep TabNine обучался на двух миллионах файлов из репозитория GitHub. Программа находит шаблоны в этих данных и использует их, чтобы предположить, что может следовать в строке кода, будь то переменная или функция. По словам автора, использование глубокого обучения даёт несколько преимуществ, самым главным является поддержка новых языков программирования. Deep TabNine понимает около 22 различных языков программирования (Python, JavaScript, Java, C++, C, PHP, Go, C#, Ruby, Objective-C, Rust, Swift, TypeScript, Haskell, OCaml, Scala, Kotlin, Perl, SQL, HTML, CSS и Bash), в то время как большинство альтернатив работают только с одним.
Deep TabNine – не идеальный инструмент автозаполнения и писать за вас весь код, разумеется, не будет. Программное обеспечение допускает ошибки в своих прогнозах и не всегда является полезным для некоторых типов кодирования. Лучше всего инструмент работает при автозаполнении относительно шаблонного кода, типа программирования, которое выполняется тысячи раз с небольшими вариациями. Программа менее приспособлена писать код, когда пользователь решает новую задачу.
Tab nine что это
TabNine for Jupyter Notebook
This plugin has been created by wenmin-wu.
This plugin has been tested on MacOS, Linux and Windows, it support all these systems. For browsers it supports Chrome and Safari but not IE
If you found this plugin doesn’t work for you, please debug according to How to Debug. And if you can’t figure out what’s wrong, please release an issue and report the logs in detail.
Thanks for using this plugin! Have fun! 🙂
Read this in other languages: English, 中文
This extension for Jupyter Notebook enables the use of coding auto-completion based on Deep Learning.
Other client plugins of TabNine require starting a child process for TabNine binary and using Pipe for communication. This can’t be done with Jupyter Notebook, since child process can’t be created with JQuery and Jupyter Notebook doesn’t provide any way for adding third-part js libs to plugins.
In this repository, it is achived by developing a client plugin and a server plugin for Jupyter Notebook. The client plugin generate request info and send http request to the server plugin. The server plugin pass the request info to it’s client process (TabNine) and return the request to client plugin.
I saw a lot users came across problems due to didn’t install and configure this plugin correctly, the simplest way to install and configure this plugin is by issuing following command:
If you want to install and configure in a customized way, you can refer to following:
The extension consists of a pypi package that includes a javascript notebook extension, along with a python jupyter server extension. Since Jupyter 4.2, pypi is the recommended way to distribute nbextensions. The extension can be installed:
from the master version on the github repo (this will be always the most recent version)
via pip for the version hosted on pypi
From the github repo or from Pypi,
install the package
pip3 install https://github.com/wenmin-wu/jupyter-tabnine/archive/master.zip [—user][—upgrade]
or pip3 install jupyter-tabnine [—user][—upgrade]
or clone the repo and install
git clone https://github.com/wenmin-wu/jupyter-tabnine.git
python3 setup.py install
and enable notebook extension and server extension
where is the output of the first python command.
Remote auto-completion server is also supported. You may want this to speed up the completion request handing. Or maybe your company want to deploy a compeltion server cluster that services everyone. Read following to learn how to deploy remote server.
To uninstall TabNine plugin from mac/linux run the following commands:
Pull requests are welcome. For major changes, please open an issue first to discuss what you would like to change.
Please make sure to update tests as appropriate.
Remote Completion Server Deployment
It’s useful to deploy a remote tabnine server if you don’t want to occupy too much local resources. You can build, deploy and config a remote tabnine server according to the following steps.
Build Server Image
I have uploaded an image to Docker Hub, skip this section if you prefer to use it directly.
Change the image name in this bash script to wuwenmin1991/tabnine-server:1.0 if you did’t build your own image