Las acusaciones de trampas son cada vez más frecuentes en el ajedrez profesional, tanto en las partidas presenciales como en las partidas en línea.
Chess.com, el mayor sitio web de ajedrez del mundo, mantiene en secreto cómo detecta si un jugador hace trampas, pero reconoce que usa el aprendizaje automático para predecir la probabilidad de que los seres humanos hagan ciertos movimientos.
Estos modelos de aprendizaje automático pueden resultar fundamentales para garantizar la integridad del juego a largo plazo.
Hace unos años, el sitio web de ajedrez Chess.com suspendió temporalmente a un gran maestro estadounidense, Hans Niemann por hacer en línea movimientos de ajedrez que, según sospechaba el sitio, le había sugerido un programa informático. Según se informó, anteriormente había suspendido a su mentor, Maxim Dlugy.
Y en la Copa Sinquefield celebrada a principios de este mes, el campeón mundial Magnus Carlsen abandonó la partida sin hacer comentarios tras jugar una mala partida contra Niemann, de 19 años. Desde entonces ha dicho que lo hizo porque cree que Niemann ha seguido haciendo trampas últimamente.
Otro participante, el gran maestro ruso Ian Nepomniachtchi, calificó el desempeño de Niemann de «más que impresionante». Aunque Niemann ha admitido haber hecho trampas a veces en partidas anteriores en línea, ha negado rotundamente haber hecho trampas alguna vez en un torneo de ajedrez presencial.
Pero ¿cómo decide Chess.com, el mayor sitio web de ajedrez del mundo, que probablemente un jugador ha hecho trampas? No puede mostrar al mundo el código que utiliza, pues quienes pretendieran hacer trampas sabrían exactamente cómo evitar que los detectaran. El sitio web afirma:
Aunque consideraciones legales y prácticas impiden que Chess.com revele el conjunto completo de datos, métricas y métodos de seguimiento que usamos en nuestra herramienta de juego limpio para evaluar las partidas, podemos decir que el núcleo del sistema de Chess.com es un modelo estadístico que evalúa la probabilidad de que un jugador humano coincida con las mejores opciones de un motor de ajedrez y supere el juego limpio confirmado de algunos de los mejores ajedrecistas de la historia.
¿Cómo está garantizando el Foro Económico Mundial el desarrollo ético de la inteligencia artificial?
Por suerte, la investigación puede dar pistas sobre el enfoque que quizá esté usando el sitio web.
Humanos frente a IA
Cuando la empresa de IA DeepMind desarrolló el programa AlphaGo, capaz de jugar al Go, un juego de estrategia, lo entrenó para predecir qué movimientos haría una persona desde cualquier posición dada.
Predecir los movimientos humanos es un problema de aprendizaje supervisado, la base del aprendizaje automático. Con muchos ejemplos de posiciones de partidas humanas (el conjunto de datos) y un ejemplo del movimiento humano correspondiente a cada posición (la etiqueta), se pueden entrenar algoritmos de aprendizaje automático para predecir etiquetas en nuevos puntos de datos. Así, DeepMind enseñó a su IA a estimar la probabilidad de que una persona hiciera cualquier movimiento dado desde cualquier posición dada.
AlphaGo derrotó célebremente a su rival humano Lee Sedol en 2017. Uno de los movimientos famosos de la IA en la partida fue el «movimiento 37». Como señaló el investigador principal David Silver en el documental AlphaGo, «AlphaGo dijo que había una probabilidad de 1 entre 10.000 de que un jugador humano hubiera hecho el movimiento 37».
Así que, según ese modelo de aprendizaje automático de los jugadores humanos de Go, si vieras a alguien hacer el movimiento 37, sería un indicio de que no se le ocurrió por sí mismo. Pero, por supuesto, no sería una prueba. Cualquier ser humano podría hacer ese movimiento.
Para estar muy seguro de que alguien hace trampas en una partida, hay que examinar muchos movimientos. Por ejemplo, los investigadores han estudiado cómo se pueden analizar en conjunto muchos movimientos de un jugador para detectar anomalías.
Chess.com utiliza abiertamente el aprendizaje automático para predecir qué movimientos podría hacer una persona desde cualquier posición dada. De hecho, cuenta con distintos modelos de ajedrecistas famosos concretos, y se puede jugar contra ellos. Es de suponer que se usan modelos similares para detectar trampas.
Un estudio reciente sugirió que, además de predecir la probabilidad de que una persona hiciera cierto movimiento, también es importante tener en cuenta lo bueno que es ese movimiento. Esto coincide con la afirmación de Chess.com de que evalúa si los movimientos «superan [...] el juego limpio confirmado» de los grandes maestros.
Pero ¿cómo se mide qué movimientos son mejores que otros? En teoría, una posición de ajedrez es «ganadora» (se puede garantizar la victoria), «perdedora» (el otro jugador puede garantizarla) o «tablas» (ninguno puede garantizar la victoria), y un buen movimiento sería cualquiera que no empeorara la posición. Pero, en la práctica, aunque los ordenadores calculan y eligen movimientos futuros mucho mejor que los seres humanos, ni siquiera ellos pueden determinar con certeza si muchas posiciones son ganadoras, perdedoras o tablas. Y desde luego nunca podrían demostrarlo: por lo general, una demostración requeriría demasiados cálculos, pues habría que examinar cada hoja de un árbol de juego exponencial.
Así que lo que hacen las personas y los ordenadores es usar «heurísticas» (conjeturas intuitivas) para evaluar el «valor» de distintas posiciones: estiman qué jugador creen que ganará. Esto también se puede plantear como un problema de aprendizaje automático, en el que el conjunto de datos contiene muchas posiciones del tablero y las etiquetas indican quién ganó. Así se entrena el algoritmo para predecir quién ganará desde una posición dada.
Por lo general, los modelos de aprendizaje automático que se usan con este fin analizan algunos de los próximos movimientos probables, consideran qué posiciones están al alcance de ambos jugadores y luego utilizan una «intuición» sobre esas posiciones futuras para evaluar la posición actual.
Pero quién gana desde una posición dada depende del nivel de los jugadores. Por eso, la evaluación del modelo de una partida concreta dependerá de quién jugó las partidas incluidas en el conjunto de datos de entrenamiento. Normalmente, cuando los comentaristas de ajedrez hablan del «valor objetivo» de distintas posiciones, se refieren a quién tiene más probabilidades de ganar desde una posición dada cuando ambos bandos están representados por las mejores IA de ajedrez disponibles. Pero esta medida del valor no siempre resulta la más útil al evaluar una posición que, en última instancia, tendrán que jugar seres humanos. Así que no está claro exactamente qué debería considerarse un «buen movimiento» en Chess.com (o para nosotros).
Si hiciera trampas en ajedrez y jugara unos cuantos movimientos sugeridos por un motor de ajedrez, quizá ni siquiera me ayudaría a ganar. Esos movimientos podrían preparar un ataque brillante que jamás se me habría ocurrido, y lo desaprovecharía a menos que pidiera al motor que jugara el resto de la partida por mí. (Lichess.org me dice que he jugado 3.049 partidas Blitz en el momento de escribir esto, y mi modesta puntuación ELO de 1632 significa que es de esperar que se me escapen buenas tácticas por todas partes.)
Detectar las trampas es difícil. Si juegas en línea y te preguntas si tu oponente hace trampas, no podrás saberlo con ningún grado de certeza, porque no has visto millones de partidas humanas con estilos muy variados. Es un problema en el que los modelos de aprendizaje automático entrenados con enormes cantidades de datos tienen una gran ventaja. En última instancia, pueden ser fundamentales para preservar la integridad del ajedrez.
