Modelování rozhodování v hraní šachů s pomocí transformerů

Abstract

Tato diplomová práce zkoumá využití transformerů k modelování lidského a algoritmického rozhodování v šachách. Hlavními cíli bylo natrénovat model architektury transformer, který by napodoboval lidský a algoritmický herní styl na různých úrovních Elo, a zároveň navrhnout metodu pro detekci algoritmického chování na základě stylistických rozdílů v rozhodování. Nejprve představuji model ChessFormer, který prokázal zlepšenou přesnost při předpovídání tahů lidských hráčů. Jako referenční projekt pro srovnání výsledků byl použit známý a zavedený projekt Maia chess. Největší úspěch modelu ChessFormer spočívá v tom, že překonal modely Maia na vyšších Elo úrovních, přičemž na úrovni Elo 2300 správně predikoval 54% tahů. Druhý model, CheatFormer, efektivně klasifikoval hráče jako lidské nebo algoritmické, přičemž dosáhl klasifikační přesnosti 85,3% při posuzování jediné šachové pozice a provedeného tahu a působivé přesnosti 90,1% při analýze celé partie. Tyto výsledky potvrzují vhodnost transformerů pro modelování složitých problémů a přinášejí nové poznatky o lidském rozhodování, analýze her a detekci algoritmického stylu hry. Tato práce představuje inovativní využití transformerů ke zlepšení stávajících systémů pro detekci podvádění tím, že zachycuje jemné stylistické rozdíly, a tím překonává nedostatky současných systémů spoléhajících se na tradiční algoritmy proledávání a výkonnostní metriky.

This thesis explores the application of transformer models to comprehend human and algorithmic decision-making in chess, focusing on distinguishing between human and algorithmic playstyles. The primary objectives were to train a transformer model to emulate human and algorithmic playstyle at different Elo ratings and provide a method to detect algorithmic players based on stylistic differences in decision-making. Firstly, I present the ChessFormer model, which demonstrated improved human move-matching accuracy. The well-known and established project Maia chess was used as a benchmark to compare with. The greatest success of the ChessFormer model is surpassing the Maia models at the higher Elo levels, with a peak accuracy of 54% at the 2300 Elo level. CheatFormer, the second model, effectively classified players as either human or algorithmic, achieving 85.3% accuracy based on a single board position and the move played, and an impressive 90.1% accuracy when considering full-game data. These results validate the transformer-based approach for modeling complex problems, offering insights into human decision-making, game analysis, and algorithmic playstyle detection. This work offers an innovative approach of transformer models to improve existing cheat detection systems by capturing subtle stylistic differences, thus addressing weaknesses of current systems relying on traditional search-based algorithms and performance metrics.