Una red neuronal analizó 170 mil jugadas de long nardy y detectó los errores de los humanos

El autor del análisis en Habr pasó por un motor neuronal unas 170 mil jugadas de jugadores reales de long nardy para ver dónde pierden más los humanos. Las pérdidas se concentran en dos momentos: al inicio de la partida y en el tamaño de la derrota, es decir, en los mars y los koks. El material incluye cuatro problemas de partidas reales que el lector puede resolver por su cuenta antes de comparar su respuesta con la del motor.

Por qué el long nardy es difícil incluso para el generador de jugadas

Las reglas del long nardy parecen sencillas, pero al motor le cuesta manejarlas. Antes de que la red neuronal evalúe una posición, hay que enumerar todas las jugadas permitidas, y eso ya es un problema en sí mismo. La regla de la cabeza permite retirar de la posición inicial solo una ficha por tirada, con excepciones para los dobles al comienzo de la partida. La prohibición del bloqueo ciego impide formar seis puntos ocupados consecutivos si por delante no hay ninguna ficha del rival. A esto se suman la obligación de jugar ambos dados cuando es posible y la prioridad del dado mayor cuando solo se puede jugar uno.

Un error en cualquiera de estas reglas genera jugadas ilegales o descarta jugadas legales. La evaluación sigue siendo correcta, pero el motor acaba eligiendo entre un conjunto de opciones equivocado. Por eso el análisis presenta el generador de jugadas como un componente independiente del motor y no como un añadido técnico de la red neuronal.

Los evaluadores neuronales en el backgammon existen desde hace tiempo. TD-Gammon, de Gerald Tesauro, demostró a comienzos de la década de 1990 que una red puede aprender a evaluar posiciones en un juego con dados jugando contra sí misma. El principio sigue siendo el mismo: la red devuelve una evaluación de la posición, y el motor recorre las jugadas legales y elige aquella tras la cual la evaluación es mejor.

Qué apareció en las 170 mil jugadas

El motor comparó las elecciones de los humanos con las suyas. El autor destaca tres observaciones principales:

• Muestra: unas 170 mil jugadas de jugadores reales.
• Dónde se pierde más: al inicio de la partida, cuando la estructura aún no está formada y cada tirada fija el plan para las siguientes.
• Qué pérdidas son las más graves: las del tamaño de la derrota, es decir, los mars y los koks, donde perder cuesta más de lo habitual.

La primera conclusión es previsible. En la apertura del long nardy hay muchas bifurcaciones, y la regla de la cabeza limita con dureza el ritmo, así que a una persona le resulta difícil calcular las consecuencias. La segunda conclusión es más interesante: muestra que los jugadores pierden menos por la probabilidad de ganar que por cómo gestionan el riesgo. Cuando la partida se les escapa, los humanos suelen seguir jugando a la desesperada. El motor, según cabe suponer, evalúa no solo la opción de ganar, sino también el coste de perder, y por eso elige jugadas que arriesgan menos una derrota abultada.

Hay que señalar una limitación desde el principio. El anuncio no indica qué red se utilizó, de qué nivel eran los jugadores humanos ni cuál es la ventaja media del motor. Esos detalles figuran solo en el artículo completo, y sin ellos no se puede estimar la magnitud de los errores.

Cómo aprovechar el análisis

El material es útil sobre todo para quien juega en serio y quiere mejorar sus resultados. Algunos pasos prácticos:

• Resuelva los cuatro problemas antes de leer las respuestas. La discrepancia con el motor ya señala por sí sola un punto débil.
• Estudie la apertura por separado. Según los datos del autor, ahí se pierde más, y la regla de la cabeza hace que la elección de las primeras jugadas importe más de lo que parece.
• Si va perdiendo, evalúe el riesgo de mars o de koks, y no solo la posibilidad de remontar.
• Analice varias de sus partidas con el motor. Los errores típicos se repiten, y las 170 mil jugadas lo confirman.

Para los desarrolladores de IA de juegos, el material también tiene valor propio. Recuerda que, en juegos con reglas no estándar, la fiabilidad del generador de jugadas importa tanto como la calidad de la red neuronal.