اختصاصی شبکه علمی ثریا- چند سال پیش، وب‌سایت شطرنج (Chess.com) حضور استاد بزرگ آمریکایی هانس نیمان را در بازی آنلاین به دلیل حرکات شطرنجی که به آن مظنون بود وتوسط یک برنامه رایانه‌ای به او پیشنهاد شده بود ممنوع کرد.  گزارش شده است که این وب سایت قبلاً حضور مربی او ماکسیم دلوگی را نیز ممنوع کرده بود.  در جام (Sinquefield) در اوایل همین ماه، مگنوس کارلسن قهرمان جهان نیز پس از انجام یک بازی ضعیف در برابر نیمن ۱۹ ساله، بدون هیچ گونه اظهار نظری کنار رفت. او گفته که این کار به این دلیل است که نیمن تقلب کرده است.

یکی دیگر از شرکت‌کنندگان، استاد بزرگ روسی یان نپومنیاچچی عملکرد نیمن را "بیش تاثیرگذار" خواند. در حالی که نیمن اعتراف کرده که گاهی اوقات در بازی های آنلاین قبلی تقلب کرده است اما به شدت تقلب در یک تورنمنت زنده شطرنج را رد کرد. اما (Chess.com) بزرگترین وب سایت شطرنج جهان، چگونه متوجه می شود که یک بازیکن احتمالا تقلب کرده است؟ این وبسایت نمی‌تواند کدی را که استفاده می‌کند به دنیا نشان دهد زیرا کلاهبرداران احتمالی دقیقاً متوجه می شوند  که چگونه از شناسایی خود جلوگیری کنند. این وب سایت می گوید: اگرچه ملاحظات قانونی و عملی از افشای مجموعه کامل داده ها، معیارها و ردیابی مورد استفاده برای ارزیابی بازی ها در ابزار بازی جوانمردانه جلوگیری می کند اما می توان گفت که هسته سیستم (Chess.com)دارای یک مدل آماری است که احتمال تطبیق بازی یک بازیکن انسانی با انتخاب های برتر موتور و پیشی گرفتن از بازی تمیز و تایید شده در برخی بازی ها از بزرگترین شطرنج بازان تاریخ را ارزیابی می کند. تحقیقات می تواند روشی را که وب سایت ممکن است استفاده کند روشن کند.

انسان ها در مقابل هوش مصنوعی:

زمانی که شرکت هوش مصنوعی (DeepMind) برنامه (AlphaGo) را توسعه داد که می‌توانست بازی استراتژی Go را اجرا کند و به آن آموزش داده شد که پیش‌بینی کند انسان در هر موقعیتی چه حرکتی انجام می‌دهد. پیش‌بینی حرکات انسان توسط یک ماشین مشکل است. با توجه به نمونه‌های زیادی از موقعیت‌ها در بازی‌های انسانی و نمونه‌ای از حرکت انسان ها در هر موقعیت الگوریتم‌های یادگیری ماشینی را  باید برای پیش‌بینی داده های جدید آموزش داد. بنابراین (DeepMind) به هوش مصنوعی خود آموزش داد تا احتمال انجام هر حرکتی را که انسان از هر موقعیت مشخصی  ممکن است انجام دهد تخمین بزند. (AlphaGo) در سال ۲۰۱۷ از رقیب انسانی خود شکست خورد . یکی از حرکات معروف در این بازی با این هوش مصنوعی (Move 37) بود.

بنابراین با توجه به  مدل یادگیری ماشینی بازیکنان اگر فردی را دیدید که (Move 37) را بازی می‌کند، دلیلی بر این خواهد بود که خودش این ایده را نداشته است. اما مسلماً این مدرک نخواهد بود و هر انسانی می‌تواند این حرکت را انجام دهد. برای اینکه خیلی مطمئن شوید که کسی در یک بازی تقلب می کند باید به حرکات زیادی نگاه کنید. به عنوان مثال، محققان بررسی کرده‌اند که چگونه بسیاری از حرکات یک بازیکن را می‌توان به صورت جمعی تجزیه و تحلیل کرد تا ناهنجاری‌ها  تشخیص داده شود. وب سایت (Chess.com)آشکارا از یادگیری ماشینی برای پیش‌بینی حرکات ممکن توسط انسان ها در هر موقعیت خاص استفاده می‌کند. در واقع مدل‌های مختلفی از شطرنج‌بازان معروف را دارد که شما می‌توانید در مقابل آنها بازی کنید و احتمالاً از مدل های مشابه برای تشخیص تقلب استفاده می شود. یک مطالعه اخیرا نشان داد که علاوه بر پیش‌بینی میزان احتمال انجام یک حرکت خاص توسط یک انسان مهم است که آن حرکت چقدر خوب باشد.

اما چگونه می توان اندازه گیری کرد که کدام حرکت بهتر از سایرین است؟

 در یک بازی شطرنج یا شما "برنده" هستید و می توانید یک برد را تضمین کنید یا  "بازنده"  هستید و بازیکن دیگر می تواند برنده باشد یا "تساوی" که هیچکدام نمی توانید برنده باشید و یک حرکت خوب هر حرکتی است که نتیجه ای داشته باشد و موقعیت شما بهتر کند. اگرچه رایانه ها در محاسبه و انتخاب حرکات بعدی بسیار بهتر از انسان ها هستند اما برای بسیاری از موقعیت ها  آنها حتی نمی توانند به طور قطع تشخیص دهند که یک موقعیت برنده، بازنده یا مساوی است و مطمئناً هرگز نمی‌توانند آن را ثابت کنند. اثبات یک موقعیت عموماً به محاسبات بسیار زیادی نیاز دارد. بنابراین، کاری که مردم و رایانه‌ها انجام می‌دهند این است که از ابتکار عمل برای ارزیابی «ارزش» موقعیت‌های مختلف استفاده کنند و تخمین بزنند کدام بازیکن برنده خواهد شد. این مسئله می‌تواند به عنوان یک مشکل برای بازی های ماشینی مطرح شود زیرا در آنها مجموعه داده‌ها و موقعیت‌های زیادی وجود دارد  که به الگوریتم آموزش می‌دهد تا پیش‌بینی کند چه کسی در یک موقعیت معین برنده خواهد شد.

به طور معمول، مدل‌های یادگیری ماشینی که برای این منظور استفاده می‌شوند در مورد چند حرکت احتمالی بعدی فکر می‌کنند و در نظر می‌گیرند که چه موقعیت‌هایی برای هر دو بازیکن قابل دسترسی است و سپس از موقعیت فعلی برای رسیدن به موقعیت های آینده استفاده می‌کنند. اما اینکه چه کسی در یک موقعیت خاص برنده می شود بستگی به این دارد که بازیکنان چقدر خوب هستند. بنابراین ارزیابی از مدل یک بازی خاص به این بستگی دارد که چه کسی چه بازی‌هایی را انجام می‌دهد. به طور معمول، زمانی که مفسران شطرنج در مورد "ارزش عینی" موقعیت های مختلف صحبت می کنند منظورشان این است که چه کسی احتمالاً   با استفاده از یک موقعیت خاص برنده می شود‌. اما این معیار ارزش همیشه هنگام در نظر گرفتن موقعیتی که بازیکنان انسانی در پایان باید انجام دهند مفیدترین راه نیست. بنابراین دقیقاً مشخص نیست (Chess.com) باید چه چیزی را به عنوان یک "حرکت خوب" در نظر بگیرد‌.

اگر ما به عنوان یک بازیگر در شطرنج تقلب می‌کردیم و چند حرکت به پیشنهاد یک موتور بازی شطرنج انجام می‌دادیم ممکن بود حتی به پیروزی ما کمکی نکند. این پیشنهادات ممکن است یک حمله عالی ایجاد کند که هرگز به ذهن ما نمی‌رسد اما ما به این روش نمی توانیم بازی کنیم مگر اینکه از موتور شطرنج باز بخواهیم که بقیه بازی را برای مان انجام دهد. تشخیص تقلب سخت است. اگر آنلاین بازی می‌کنید و نمی‌دانید که آیا حریف شما تقلب می‌کند و واقعاً نمی‌توانید با هیچ معیار قطعی بگویید زیرا میلیون‌ها بازی انسانی را ندیده‌اید که با سبک‌های کاملاً متفاوت انجام می‌شوند، این مشکل در مدل‌های یادگیری ماشینی که با حجم عظیمی از داده‌ها آموزش می دهند بر طرف شده است. در نهایت آنها ممکن است برای یکپارچگی در بازی شطرنج حیاتی باشند.