كيفية اكتشاف الغش المحتمل
مجلة المذنب نت متابعات عالمية:
قبل بضع سنوات ، حظر موقع الشطرنج Chess.com مؤقتًا الأستاذ الأمريكي الكبير هانز نيمان بسبب لعب حركات الشطرنج عبر الإنترنت التي اشتبه الموقع في أن برنامج الكمبيوتر قد اقترحها عليه. وبحسب ما ورد منعت سابقًا معلمه مكسيم دلوجي.
وفي كأس Sinquefield في وقت سابق من هذا الشهر ، استقال بطل العالم Magnus Carlsen دون تعليق بعد أن لعب مباراة سيئة ضد نيمان البالغ من العمر 19 عامًا. قال منذ ذلك الحين إن هذا كان لأنه يعتقد أن Niemann استمر في الغش مؤخرًا.
مشارك آخر ، المعلم الروسي الكبير إيان نيبومنياشتشي ، اتصل أداء نيمان “أكثر من رائع”. بينما اعترف نيمان بأنه غش في بعض الأحيان في مباريات سابقة على الإنترنت ، إلا أنه نفى بشدة الغش في أي وقت مضى في بطولة الشطرنج الحية.
ولكن كيف يقرر موقع Chess.com ، أكبر موقع للشطرنج في العالم ، أن أحد اللاعبين ربما يكون قد خدع؟ لا يمكن أن يُظهر للعالم الكود الذي يستخدمه ، وإلا فإن الغشاشين المحتملين سيعرفون بالضبط كيفية تجنب الكشف. يذكر الموقع:
على الرغم من أن الاعتبارات القانونية والعملية تمنع Chess.com من الكشف عن المجموعة الكاملة من البيانات والمقاييس والتتبع المستخدمة لتقييم الألعاب في أداة اللعب النظيف ، يمكننا القول أنه في جوهر نظام Chess.com يوجد نموذج إحصائي يقيم احتمالية مطابقة لاعب بشري لأفضل خيارات المحرك ، وتجاوز اللعب النظيف المؤكد لبعض من أعظم لاعبي الشطرنج في التاريخ.
لحسن الحظ ، يمكن أن يلقي البحث الضوء على النهج الذي قد يستخدمه موقع الويب.
البشر ضد الذكاء الاصطناعي
عندما طورت شركة الذكاء الاصطناعي DeepMind برنامج AlphaGo ، الذي يمكن أن يلعب لعبة الإستراتيجية Go ، تم تعليمه للتنبؤ بالحركات التي يمكن أن يقوم بها الإنسان من أي موقع معين.
يُعد توقع تحركات الإنسان مشكلة تعلم خاضعة للإشراف ، وهي الخبز والزبدة في التعلم الآلي. بالنظر إلى الكثير من الأمثلة على المواقف من الألعاب البشرية (مجموعة البيانات) ومثال على تحرك الإنسان من كل موقع (التسمية) ، يمكن تدريب خوارزميات التعلم الآلي على التنبؤ بالتسميات في نقاط البيانات الجديدة. لذا قامت شركة DeepMind بتعليم الذكاء الاصطناعي الخاص بها لتقدير احتمالية قيام الإنسان بأي تحرك معين من أي موقع معين.
اشتهر AlphaGo بضرب منافسه البشري Lee Sedol في عام 2017. إحدى الحركات الشهيرة للذكاء الاصطناعي في اللعبة كانت “Move 37”. كما أشار الباحث الرئيسي ديفيد سيلفر في الفيلم الوثائقي AlphaGo ، “قال AlphaGo أن هناك احتمالية 1/10000 أن Move 37 كان يمكن أن يلعبها لاعب بشري.”
لذلك وفقًا لنموذج التعلم الآلي للاعبي Go البشر ، إذا رأيت شخصًا يلعب لعبة Move 37 ، فسيكون ذلك دليلًا على أنهم لم يأتوا بالفكرة بأنفسهم. لكن بالطبع لن يكون ذلك دليلاً. اي انسان استطاع جعل هذه الخطوة.
لكي تصبح واثقًا جدًا من أن شخصًا ما يغش في لعبة ما ، عليك أن تنظر إلى الكثير من الحركات. على سبيل المثال ، قام الباحثون بالتحقيق في كيفية تحليل الكثير من حركات اللاعب بشكل جماعي لاكتشاف الحالات الشاذة.
يستخدم موقع Chess.com علنًا التعلم الآلي للتنبؤ بالحركات التي قد يقوم بها الإنسان في أي موضع معين. في الواقع ، لديها نماذج مختلفة من لاعبي الشطرنج المشهورين ، ويمكنك في الواقع اللعب ضدهم. يفترض ، يتم استخدام نماذج مماثلة للكشف عن الغش.
اقترحت دراسة حديثة أنه بالإضافة إلى التنبؤ بمدى احتمالية قيام الإنسان بحركة معينة ، من المهم أيضًا مراعاة مدى جودة هذه الخطوة. يتطابق هذا مع تصريح موقع Chess.com بأنه يقيم ما إذا كانت الحركات “تتجاوز … اللعب النظيف المؤكد” من العظماء.
ولكن كيف تقيس أي الحركات أفضل من غيرها؟ من الناحية النظرية ، فإن مركز الشطرنج هو إما “الفوز” (يمكنك ضمان الفوز) ، أو “الخسارة” (يمكن للاعب الآخر) أو “الرسم” (لا يمكن لأي منهما) ، والحركة الجيدة ستكون أي حركة لا تقوم بها وضعك أسوأ. لكن من الناحية الواقعية ، على الرغم من أن أجهزة الكمبيوتر أفضل بكثير في حساب واختيار الحركات المستقبلية من البشر ، إلا أنه بالنسبة للعديد من الوظائف ، لا يمكنهم حتى معرفة ما إذا كان المركز يفوز أو يخسر أو يرسم. وبالتأكيد لم يتمكنوا من إثبات ذلك – فالبرهان يتطلب عمومًا الكثير من العمليات الحسابية ، وفحص كل ورقة من أوراق شجرة اللعبة الأسية.
لذا فإن ما يفعله الناس وأجهزة الكمبيوتر هو استخدام “الاستدلال” (التخمينات الداخلية) لتقييم “قيمة” المواقف المختلفة – تقدير اللاعب الذي يعتقدون أنه سيفوز. يمكن أيضًا اعتبار هذا مشكلة تعلم الآلة حيث تكون مجموعة البيانات عبارة عن الكثير من مواضع اللوحة والعلامات هي الفائز – مما يدرب الخوارزمية على التنبؤ بمن سيفوز من مركز معين.
عادةً ما تقوم نماذج التعلم الآلي المستخدمة لهذا الغرض ببعض التفكير في الحركات القليلة التالية المحتملة ، وتفكر في المواقف التي يمكن للاعبين الوصول إليها ، ثم تستخدم “الشعور الغريزي” حول تلك المواقف المستقبلية لإبلاغ تقييمهم للوضع الحالي.
لكن من يفوز من مركز معين يعتمد على مدى جودة اللاعبين. لذا فإن تقييم النموذج للعبة معينة سيعتمد على من كان يلعب الألعاب التي جعلتها في مجموعة بيانات التدريب. عادة ، عندما يتحدث معلقو الشطرنج عن “القيمة الموضوعية” لمواقف مختلفة ، فإنهم يقصدون من الذي من المحتمل أن يفوز من مركز معين عندما يلعب كلا الجانبين بواسطة أفضل أنظمة الذكاء الاصطناعي المتاحة في الشطرنج. لكن مقياس القيمة هذا ليس دائمًا مفيدًا عند التفكير في منصب سيتعين على اللاعبين البشريين تنفيذه في النهاية. لذلك ليس من الواضح بالضبط ما الذي يجب أن نعتبره موقع Chess.com (أو نحن) “خطوة جيدة”.
إذا كنت أغش في لعبة الشطرنج وقمت ببعض الحركات التي اقترحها محرك الشطرنج ، فقد لا يساعدني ذلك حتى في الفوز. قد تكون هذه التحركات بمثابة إعداد لهجوم رائع لن يحدث لي أبدًا ، لذلك سأبدده ما لم أطلب من محرك الشطرنج أن يلعب بقية اللعبة من أجلي. (يخبرني Lichess.org أنني لعبت 3049 لعبة Blitz في وقت كتابة هذا التقرير ، وتقييم ELO غير الجيد للغاية 1632 يعني أنه يمكنك أن تتوقع مني أن أفقد التكتيكات الجيدة يمينًا ويسارًا.)
الكشف عن الغش صعب. إذا كنت تلعب عبر الإنترنت وتتساءل عما إذا كان خصمك يغش ، فلن تكون قادرًا حقًا على معرفة ذلك بأي قدر من اليقين – لأنك لم تشاهد الملايين من الألعاب البشرية التي يتم لعبها بأساليب مختلفة جذريًا. إنها مشكلة حيث تتمتع نماذج التعلم الآلي المدربة بكميات هائلة من البيانات بميزة كبيرة. في النهاية ، قد تكون حاسمة لاستمرار تكامل لعبة الشطرنج.
نشكركم على قراءة المنشور عبر مجلة المذنب نت, المتخصصة في التداول والعملات الرقمية والمشفرة