Rede neural analisa 170 mil lances de long nardy e encontra os erros dos jogadores humanos

O autor da análise publicada no Habr passou cerca de 170 mil lances de jogadores reais de long nardy por um motor de rede neural para ver onde as pessoas mais perdem. As perdas se concentram em dois pontos: na abertura da partida e no tamanho da derrota, ou seja, nos mars e koks. O material inclui quatro problemas tirados de partidas reais, que o leitor pode resolver por conta própria antes de conferir a resposta do motor.

Por que o long nardy é difícil até para o gerador de lances

As regras do long nardy parecem simples, mas dão trabalho ao motor. Antes que a rede neural avalie uma posição, é preciso listar todos os lances permitidos, e aqui isso é uma tarefa à parte. A regra da cabeça permite retirar da posição inicial apenas uma peça por lance de dados, e no começo da partida há exceções para as duplas. A proibição do bloqueio cego impede formar seis pontos ocupados em sequência quando não há nenhuma peça do adversário à frente. Somam-se a isso a obrigação de jogar os dois dados sempre que possível e a prioridade do dado maior quando só é possível jogar um deles.

Um erro em qualquer uma dessas regras gera lances ilegais ou faz o motor perder lances legais. A avaliação continua correta, mas a escolha é feita em um conjunto errado de opções. Por isso, na análise, o gerador de lances aparece como um módulo independente do motor, e não como um apêndice técnico da rede neural.

Avaliadores baseados em redes neurais existem no gamão há bastante tempo. O TD-Gammon, de Gerald Tesauro, mostrou no início da década de 1990 que uma rede pode aprender a avaliar posições em um jogo com dados jogando contra si mesma. O princípio continua o mesmo: a rede dá uma nota à posição, o motor percorre os lances legais e escolhe aquele que deixa a nota mais alta.

O que apareceu nos 170 mil lances

O motor comparou as escolhas dos humanos com as suas. O autor destaca três observações principais:

• Amostra: cerca de 170 mil lances de jogadores reais.
• Onde mais se perde: na abertura, quando a estrutura ainda não se formou e cada lance de dados define o plano dos seguintes.
• Quais são as perdas mais pesadas: no tamanho da derrota, ou seja, nos mars e koks, em que perder custa mais caro que o normal.

A primeira conclusão era esperada. Na abertura do long nardy há muitas bifurcações, e a regra da cabeça limita o ritmo com rigidez, o que dificulta para o jogador calcular as consequências. A segunda conclusão é mais interessante. Ela mostra que os jogadores perdem menos na probabilidade de vitória e mais na gestão de risco. Quando a partida escapa, a pessoa muitas vezes continua jogando para tentar se salvar. O motor, como se pode supor, avalia não só a chance de vencer, mas também o custo de perder, e por isso escolhe lances que arriscam menos uma derrota grande.

Uma limitação precisa ser dita de imediato. O anúncio não informa qual rede foi usada, em que nível jogavam os humanos nem qual é a vantagem média do motor. Esses detalhes só aparecem no artigo completo, e sem eles não é possível avaliar a dimensão dos erros.

Como usar a análise

O material é útil sobretudo para quem joga a sério e quer melhorar os resultados. Alguns passos práticos:

• Resolva os quatro problemas antes de ler as respostas. A divergência em relação ao motor já revela, por si só, um ponto fraco.
• Estude a abertura à parte. Segundo os dados do autor, é onde mais se perde, e a regra da cabeça torna a escolha dos primeiros lances mais importante do que parece.
• Se estiver perdendo, avalie o risco de mars ou koks, e não apenas a chance de virar o jogo.
• Analise algumas das suas partidas no motor. Os erros típicos se repetem, e os 170 mil lances confirmam isso.

Para quem desenvolve IA para jogos, o material também tem valor. Ele lembra que, em jogos com regras fora do padrão, a confiabilidade do gerador de lances importa tanto quanto a qualidade da rede neural.