• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Scacchi:come individuare un potenziale imbroglione

    Credito:Hutsuliak Dmytro/Shutterstock

    Alcuni anni fa, il sito web di scacchi Chess.com ha temporaneamente bandito il gran maestro statunitense Hans Niemann per aver giocato a mosse di scacchi online che il sito sospettava gli fosse stato suggerito da un programma per computer. Secondo quanto riferito, in precedenza aveva bandito il suo mentore Maxim Dlugy.

    E alla Sinquefield Cup all'inizio di questo mese, il campione del mondo Magnus Carlsen si è dimesso senza commenti dopo aver giocato una brutta partita contro il 19enne Niemann. Da allora ha detto che questo era perché crede che Niemann abbia continuato a barare di recente.

    Un altro partecipante, il Gran Maestro russo Ian Nepomniachtchi, ha definito la performance di Niemann "più che impressionante". Sebbene Nieman abbia ammesso di aver barato a volte in precedenti giochi online, ha fortemente negato di aver mai barato in un torneo di scacchi dal vivo.

    Ma come fa Chess.com, il sito web di scacchi più grande del mondo, a decidere che un giocatore ha probabilmente barato? Non può mostrare al mondo il codice che utilizza, altrimenti gli aspiranti imbroglioni saprebbero esattamente come evitare il rilevamento. Il sito web afferma:"Sebbene considerazioni legali e pratiche impediscano a Chess.com di rivelare l'intero set di dati, metriche e tracciabilità utilizzati per valutare i giochi nel nostro strumento di fair-play, possiamo dire che al centro del sistema di Chess.com c'è un modello statistico che valuta la probabilità che un giocatore umano corrisponda alle migliori scelte di un motore e superi il gioco pulito confermato di alcuni dei più grandi giocatori di scacchi della storia."

    Fortunatamente, la ricerca può far luce sull'approccio utilizzato dal sito Web.

    Umani contro IA

    Quando la società di intelligenza artificiale DeepMind ha sviluppato il programma AlphaGo, che poteva giocare al gioco di strategia Go, gli è stato insegnato a prevedere quali mosse farebbe un essere umano da una determinata posizione.

    La previsione delle mosse umane è un problema di apprendimento supervisionato, il pane quotidiano dell'apprendimento automatico. Dati molti esempi di posizioni di giochi umani (il set di dati) e un esempio di una mossa umana da ciascuna di queste posizioni (l'etichetta), è possibile addestrare algoritmi di apprendimento automatico per prevedere le etichette in nuovi punti dati. Quindi DeepMind ha insegnato alla sua intelligenza artificiale a stimare la probabilità che un essere umano faccia una determinata mossa da una determinata posizione.

    AlphaGo ha battuto notoriamente il rivale umano Lee Sedol nel 2017. Una delle mosse famose dell'IA nel gioco è stata Move 37. Come ha osservato il ricercatore capo David Silver nel documentario AlphaGo, "AlphaGo ha detto che c'era una probabilità 1/10.000 che Move 37 sarebbe stato giocato da un giocatore umano."

    Quindi, secondo quel modello di apprendimento automatico dei giocatori umani di Go, se vedessi una persona giocare a Move 37, sarebbe la prova che non ha avuto l'idea da solo. Ma ovviamente non sarebbe una prova. Qualsiasi essere umano potrebbe fai quella mossa.

    Per diventare molto sicuro che qualcuno bari a un gioco, devi guardare molte mosse. Ad esempio, i ricercatori hanno studiato come molte mosse di un giocatore possono essere analizzate collettivamente per rilevare anomalie.

    Chess.com utilizza apertamente l'apprendimento automatico per prevedere quali mosse potrebbero essere fatte da un essere umano in una determinata posizione. In effetti, ha diversi modelli di singoli famosi giocatori di scacchi e puoi effettivamente giocare contro di loro. Presumibilmente, modelli simili vengono utilizzati per rilevare imbrogli.

    Uno studio recente ha suggerito che, oltre a prevedere la probabilità che un essere umano faccia una determinata mossa, è anche importante tenere conto di quanto sia buona quella mossa. Ciò corrisponde all'affermazione di Chess.com secondo cui valuta se le mosse "superano ... confermato il gioco pulito" dei grandi.

    Ma come misuri quali mosse sono migliori di altre? In teoria, una posizione negli scacchi è "vincente" (puoi garantire una vittoria), "perdente" (l'altro giocatore può) o "pareggio" (nessuno dei due può), e una buona mossa sarebbe qualsiasi mossa che non fa peggio la tua posizione. Ma realisticamente, sebbene i computer siano molto più bravi nel calcolare e scegliere le mosse future rispetto agli umani, per molte posizioni nemmeno loro possono dire con certezza se una posizione sta vincendo, perdendo o pareggiando. E di certo non potrebbero mai dimostrarlo:una dimostrazione generalmente richiederebbe troppi calcoli, esaminando ogni foglia di un albero di gioco esponenziale.

    Quindi quello che fanno le persone e i computer è usare l'"euristica" (congetture istintive) per valutare il "valore" di diverse posizioni, stimando quale giocatore pensano vincerà. Questo può anche essere presentato come un problema di apprendimento automatico in cui il set di dati contiene molte posizioni nel tabellone e le etichette indicano chi ha vinto, il che allena l'algoritmo per prevedere chi vincerà da una determinata posizione.

    In genere, i modelli di apprendimento automatico utilizzati a questo scopo pensano alle prossime mosse probabili, considerano quali posizioni sono accessibili a entrambi i giocatori e quindi utilizzano il "senso viscerale" su quelle posizioni future per informare la loro valutazione della posizione attuale.

    Ma chi vince da una determinata posizione dipende da quanto sono bravi i giocatori. Quindi la valutazione del modello di un particolare gioco dipenderà da chi stava giocando ai giochi che sono stati inseriti nel set di dati di addestramento. In genere, quando i commentatori di scacchi parlano del "valore oggettivo" di diverse posizioni, intendono chi è probabile che vinca da una determinata posizione quando entrambe le parti sono giocate dalle migliori IA di scacchi disponibili. Ma questa misura del valore non è sempre la più utile quando si considera una posizione che alla fine i giocatori umani dovranno ricoprire. Quindi non è chiaro esattamente cosa Chess.com (o noi) dovrebbe considerare una "buona mossa".

    Se stessi barando a scacchi e facessi alcune mosse suggerite da un motore di scacchi, potrebbe non aiutarmi nemmeno a vincere. Quelle mosse potrebbero creare un attacco brillante che non mi verrebbe mai in mente, quindi lo sprecherei a meno che non chiedessi al motore di scacchi di giocare il resto della partita per me. (Lichess.org mi dice che ho giocato a 3.049 giochi Blitz al momento della scrittura e il mio punteggio ELO non molto buono di 1632 significa che puoi aspettarti che manchi buone tattiche a destra ea sinistra.)

    Individuare l'inganno è difficile. Se stai giocando online e ti stai chiedendo se il tuo avversario sta barando, non sarai in grado di dirlo con certezza, perché non hai visto milioni di giochi umani giocati con stili radicalmente diversi. È un problema in cui i modelli di machine learning addestrati con enormi quantità di dati hanno un grande vantaggio. In definitiva, possono essere fondamentali per l'integrità continua degli scacchi. + Esplora ulteriormente

    La nuova IA Go-Playing di Google impara velocemente e ha persino battuto se stessa

    Questo articolo è stato ripubblicato da The Conversation con licenza Creative Commons. Leggi l'articolo originale.




    © Scienza https://it.scienceaq.com