IBM、55種類の言語、5億行のコードからなるソースコードの大規模データセット「Project CodeNet」を公開

　IBM Researchは、55種類以上のプログラミング言語、1400万のサンプル、5億行のコードで構成される、ソースコードの大規模なデータセット「Project CodeNet」を5月11日（現地時間）にオープンソースで公開した。

　Project CodeNetは、AIにソースコードを学習させるための大規模データセット。55種類以上のさまざまなプログラミング言語による1400万のサンプルと5億行のコードが含まれている。対応言語は、C++、Java、Python、Goなどのほか、COBOL、Pascal、FORTRANなどレガシーな言語も含まれる。

　Project CodeNetは、ある言語で書かれたコードの別の言語への翻訳や、異なるコード間の重複と類似性の特定、開発者の固有のニーズとパラメーターに基づいた制約のカスタマイズといった、3つの主なユースケースに対応する。

　同社では、Project CodeNetがレガシーなコードから最新のコードへ移行するために役立とと考えている。Project CodeNetはGitHubから利用可能。