Un programa autodidacta de ajedrez gana el premio Mamdani

"El doctor David Fogel, creador del primer programa informático autodidacta de ajedrez, recibirá el premio Cajastur «Mamdani» de Soft Computing, galardón promovido por la entidad Cajastur y el Centro Europeo de Soft Computing, con sede en el edificio de investigación del campus universitario de Mieres.

El fallo del premio hecho público ayer tuvo lugar tras la reunión del jurado celebrada el pasado día 4, donde se analizaron las diferentes candidaturas presentadas. De ellas, el jurado decidió otorgar el galardón al doctor David Fogel «por el desarrollo del primer programa de ajedrez autodidacta, basado en algoritmos coevolutivos y redes neuronales espaciales». El software fue capaz de alcanzar un nivel de juego equivalente al de los grandes maestros internacionales, lo que corresponde al máximo nivel de un jugador de ajedrez."

Fuente:
http://www.lne.es/caudal/2012/09/15/programa-autodidacta-ajedrez-gana-premio-mamdani-soft-computing/1298306.html

Muy interesante. Siempre he pensado que en informática y en robótica estamos todavía en la prehistoria, lo mejor está por venir.

Sería bonito tener más información de este proyecto, incluso tener la posibilidad de probar el programa y porqué no tener disponible su código fuente a no ser que su autor decida hacer algo comercial con él. Creo que para todo el mundo es bonito ver algo diferente a los motores que estamos acostumbrados a ver.

No obstante, tengo mis dudas sobre el artículo y el proyecto. ¿Realmente es el primer programa de ajedrez autodidacta?

Tengo un amigo que es un genio de la programación, cuando el profesor explicaba historia en clase el escribía en un papel el algoritmo o código del programa, así no perdía tiempo luego cuando estaba frente al ordenador, en aquellos tiempo el número de horas que se podía estar frente a un ordenador era limitado, era imposible tener un ordenador en casa. Este amigo en el año 1992 ya había utilizado algoritmos genéticos y redes neuronales para el ajedrez, aunque su programa por aquel entonces jugaba con unos 1500 puntos de Elo.

La verdad es que no he encontrado información en Internet sobre proyectos parecidos pero siempre se ha oído de la posibilidad de emplear estos algoritmos en el ajedrez y realmente no son muy utilizados ya que los motores con técnicas conocidas son capaces de jugar más fuerte que estos con redes neuronales. Si uno no encuentra información disponible ni programa disponible quizás pueda decir que su programa es el primero de tales características, pero si realmente su programa no lo hace público el día de mañana vendrá otro y podría decir que su programa es realmente el primero autodidacta.

Por otra parte se habla de que el programa tiene la fuerza de un GM, sería interesante saber si han enfrentado el programa contra alguno y los resultados, a veces es muy fácil decir que el programa puede jugar como un GM y luego jugar con 2000 puntos de Elo. Por otra parte es lo más fácil del mundo dotar al programa de un protocolo por ejemplo xboard o uci y entonces tienes cientos de motores para probarlo.

Yo soy pro motores con aprendizaje si dicho aprendizaje es algo mas que recordar cual movimiento fue malo y jugar otro mejor.

Creo recordar que una vez probé uno llamado romychess que podía llegar a aprender mucho al jugar contra otros motores, pero que su conocimiento solo servia contra esos mismos motores.

Estaría bueno que un motor de alto nivel pueda ajustar todos sus parámetros internos (dentro de un rango predefinido) al jugar, de modo que realmente cambie y "madure" por si mismo.

Por ejemplo, a cada partida que juega mueve un poco un parámetro especifico en una dirección, si gana esa partida, dicho valor fue "posiblemente bueno" y se queda. Luego se vuelve a jugar y si vuelve a ganar ya ese valor se transforma en "probablemente bueno" y así seguidamente. A mas partidas gane con ese parámetro modificado, mas se lleva hasta la certeza, y luego comienza a modificar otros parámetros.

También esto mismo sería bueno que los motores supiesen contra que otro motor juegan. Así sabe de que manera jugar contra Rybka para ganarle, que no es la misma manera que jugando contra houdini por ejemplo.

No son ideas sofisticadas las mías, pero creo que si se llega al proceso automatizado en un motor muy fuerte, podría por lo menos aumentarle unos 50 elo frente a algún otro motor en particular.

Creo que el sistema que utilizaba romychess también estaba basado básicamente en recordar bueno o malo, pero si que se mostraba un sistema muy efectivo, romychess empezaba a jugar sin libro y si no recuerdo mal con solo 200 partidas ya empezaba a ganar a su rival, incluso rivales mucho más fuertes que romychess. El sistema era realmente bueno contra el mismo motor, también creo que podía utilizar esa información contra otros motores pero era menos efectivo. La CCRL, CGET y otras organizaciones testean los motores sin los libros propios de aperturas y sin archivos de aprendizaje, así que no ayudan mucho para que se desarrollen estas alternativas. Creo que Romychess si que tuvo algo más de éxito en el Wbec de Leo, allí creo que subió un par de divisiones por el aprendizaje.

Existe una herramienta llamada CLOP de Remi Coulon que creo que hace lo que tu dices, por ejemplo quiero saber cuales son los valores adecuados para las piezas en el motor, podría iniciar con los típicos, 100,300,300,500,900. CLOP va ajustando los valores del motor (el motor tiene que estar configurado para ello) hasta conseguir los valores adecuados, cuanto mejor sean los valores iniciales menos juegos necesitará, pero el número de juegos que podemos necesitar para establecer esos valores puede ser algo como 50.000 juegos. Es conveniente utilizar el mínimo de variables necesarias para ajustar para que el número de juegos sea lo menor posible, por ejemplo sería más sencillo ajustar un parámetro solo como la pareja de alfiles en lugar de todos los pesos de todas las piezas. Por ejemplo el motor Dirty ha ajustado algunos pesos de la evaluación de esta forma en su última versión.

Aquí hay algo más de informaciónen inglés sobre la noticia inicial:

http://www.natural-selection.com/press/2012/pr_09132012.html