Un grupo de investigadores de Toronto ha desarrollado un algoritmo que debería ser capaz de identificar a los ajedrecistas humanos en función de su estilo de juegon en las partidas de ajedrez. La idea es que los programas de enseñanza inteligente del ajedrez puedan adaptarse mejor a las necesidades de los alumnos. La tasa de aciertos ha sido sorprendentemente alta, el 86 %. Los organizadores de NeurIPS consideraron el estudio técnicamente interesante, pero éticamente cuestionable.
La inteligencia artificial ha progresado rápidamente en los últimos años. La IA reconoce a las personas con la ayuda de grabaciones de vídeo o las identifica por su voz o su escritura. En el ajedrez, los módulos no sólo han superado a los humanos en sus habilidades, sino que incluso se enseñan a sí mismos el juego independientemente de los programadores humanos, tal y como lo demostró, por ejemplo, AlphaZero. Ahora los programas de ajedrez sirven principalmente como profesores de ajedrez para los humanos.
Ashton Anderson es informático y director de un proyecto realizado por la Universidad de Toronto. Opina que la IA del ajedrez podría ser mejor todavía como profesor, si comprendiese mejor los estilos de juego individuales de los humanos y que luego se adaptara a las necesidades del estudiante humano con consejos personalizados.
Para ello, sería necesario que la inteligencia artificial la IA, antes de nada analizase el estilo de juego del alumno, para poder adaptarse a él. Por lo tanto, Ashton Anderson ha desarrollado un algoritmo que, así se lo espera, debería ser capaz de hacerlo. Tomaron una base de datos de las partidas disputadas a través de internet en un portal de ajedrez, consistiendo en 50 milliones de partidas. En su mayoría eran partidas de ajedrez relámpago y de ajedrez bala (bullet). Los investigadores se concentraron en aquellos jugadores que habían jugado ya como mínimo 1.000 partidas que se habían guardado en la base de datos. De estas partidas, registraron secuencias con hasta 32 movimientos. Codificaron cada uno de los movimientos y los introdujeron en una red neuronal artificial, que representaba cada partida como un punto en un espacio multidimensional, de modo que las partidas de cada jugador, formaban una colección de puntos. La red neuronal se entrenó de tal manera, que era capaz de maximizar la densidad del cluster de cada jugador y de medir la distancia entre los clusters de los diferentes jugadores. Para ello, el sistema tenía que reconocer lo que distinguía el estilo de cada jugador...