Por Manuel López Michelone
Deep Blue, la máquina creada por IBM venció a Garry Kasparov en un intenso match en donde el mejor jugador del mundo después de la segunda partida, dijera que el gigante azul estaba haciendo trampa, que estaba siendo ayudada por los grandes maestros encargados de ayudar a los programadores a vencerlo en un encuentro a seis partidas.
Desde luego que IBM no tendría para qué hacer trampa, pues si así hubiese hecho, la idea del encuentro se hubiese pervertido. Un experimento científico tan costoso no se iba a ir a la basura por los supuestos alegatos de Kasparov. Sin embargo sí, hay que aceptar que Garry Kasparov indicaba que una jugada que hizo la máquina era demasiado “humana” (y fuerte) y por ello, el match, para el entonces campeón del mundo, iría cuesta abajo.
Las máquinas -como indicamos en la primera parte de estos dos artículos- juegan basándose en lo que Claude Shannon escribiese en 1950 sobre cómo hacer un programa que jugase bien al ajedrez. Hoy todos los programas comerciales juegan igual. Son sí, cada vez más rápido, pero las tecnicas usadas son francamente muy similares a programas hechos en los años setentas del siglo pasado. Deep Blue, por ejemplo, analiza árboles de hasta doscientos millones de movimientos. Kasparov solamente considera tres o cuatro jugadas que parecen las mejores. Así, el hacer un programa que juegue más como los humanos hacen, es una meta aún no cumplida.
Matthew Lai, un científico del University College, en Londres, recientemente publicó su tesis de maestría en donde demuestra un sistema de aprendizaje -llamado Jirafa- bautizado así por la caricatura que podemos ver aquí abajo:
Este programa puede aprender a jugar a nivel de maestro internacional de ajedrez (un paso antes del título de gran maestro), en tan sólo 72 horas. De acuerdo al MIT technology Review, la máquina de Lai es una red neuronal profunda, un sistema inspirado en la estructura del cerebro humano en donde se intenta aprender y tomar decisiones de maneras similares. De acuerdo al artículo de Lai, Jirafa se desempeña moderadamente mejor que los programas contemporáneos de computadora que analizan todas las posibles jugadas, al mejor estilo de Claude Shannon. “Jirafa deriva su fuerza en el tablero no por ver muy lejos, sino por ser capaz de evaluar posiciones complejas con precisión y entendiendo además conceptos posicionales complicados, que son intuitivos para los seres humanos, pero que no han podido alimentarse en las computadoras”, dijo Lai es su artículo.
Así, Jirafa aprende jugando ajedrez contra sí mismo, pero como el artículo del MIT dice: también fue alimentado con un conjunto masivo de movimientos de encuentros de ajedrez reales. Lai usó una base de millones de movimientos de ajedrez, añadiendo jugadas al azar para crear una biblioteca de 175 millones de movimientos que puede reconocer el software. Jirafa usa estos datos para jugar contra sí mismo aprendiendo cuál funciona en qué situación. Jirafa aparentemente encuentra la mejor jugada analizando las tres más importantes para cada ronda, en el 70% de los movimientos. Lai halló que después de 72 horas, Jirafa tenía la habilidad de jugar mejor que el 98% de los seres humanos.
Cuando juega, Jirafa ve una partida de ajedrez de tres formas, como podría hacer un ser humano. Primero observa de quién es el turno y qué piezas tiene cada bando. Entonces toma una vista holística de todo el tablero, es decir, qué piezas hay en éste y dónde. Y finalmente considera cada una de las piezas a donde puede moverse. Basándose en millones de movimientos aprendidos en el pasado, Jirafa decide entonces su movimiento. Con cada nueva jugada, Jirafa aprende un poco más al respecto de lo que pasa en el tablero. Es lo mismo que hacen los humanos cuando aprenden.
Por el momento el sistema no es tan rápido como otros programas, pero Jirafa trabaja de manera más inteligente y no usa la fuerza bruta. Lai está ahora trabajando en recortar el tiempo que tarda Jirafa en hallar el movimiento correcto. Y esto podría no sólo hacer programas de ajedrez mejores y más inteligentes, sino que podría ayudar a crear autos que se manejaran solos, drones autónomos y tal vez algún día, una inteligencia artificial real.
Referencias:
Fuente: unocero
