Vladimir Kramnik veröffentlicht Teil Zwei seiner Fair-Play-Erkennungsmethodik, heute auf World Chess.

Teil Eins legte die Prämisse dar: Die Erkennung von Engine-Nutzung ist ein Benchmarking-Problem.Teil Zwei erklärt die eigentliche Methode.

Kramniks zentraler Punkt ist, dass die meisten Anti-Cheating-Systeme einen Fehler machen – sie mitteln alles zusammen. Sie betrachten die Gesamtgenauigkeit eines Spielers oder den Prozentsatz der Züge, die mit der ersten Wahl der Engine übereinstimmen, über alle seine Partien hinweg auf einmal. Ein ausgeklügelter Betrüger überlistet dies leicht. Er nutzt die Engine nur in kritischen Momenten oder kritischen Partien und spielt den Rest ehrlich. Seine Durchschnittswerte bleiben im normalen menschlichen Bereich.

Kramnik vergleicht dies mit einem Arzt, der die Durchschnittstemperatur seiner Patienten meldet – die Hälfte mit Fieber, die Hälfte zu kalt – und daraus schließt, die Station sei gesund. Der Durchschnitt ist bedeutungslos, wenn er zwei sehr unterschiedliche Dinge verbirgt.

Seine Lösung besteht darin, eine breite Palette separater Parameter zu verwenden, jeder mit seinem eigenen Benchmark, anstatt einer einzigen kombinierten Zahl. Beispiele sind Genauigkeit in Zeitnot (10 Sekunden oder weniger auf der Uhr), Fehlerquote, Leistung in schlechteren Stellungen und der Anteil schwieriger Züge, die ein Spieler findet. Ein Betrüger kann seine Gesamtzahlen normal halten, aber er kann nicht alle diese Einzelmaße gleichzeitig normal halten.

Das Papier zeigt zwei Diagramme. Das erste zeigt Magnus Carlsens aufeinanderfolgende Online-Blitzpartien: Seine beiden häufigsten Genauigkeitsniveaus liegen nahe beieinander, was Fairplay entspricht. Das zweite zeigt einen ungenannten Spieler mit einer Wertung unter 2600, dessen beiden häufigsten Niveaus weit auseinanderliegen – eines auf Top-Ten-Niveau, eines auf schwachem Großmeisterniveau. Der Durchschnitt zwischen ihnen sieht normal aus. Die Lücke zwischen ihnen ist das Warnsignal.

Kramnik geht auch auf die Hauptkritik an seinem Ansatz ein – dass die Isolierung verdächtiger „Blöcke“ von Partien Rosinenpickerei sei. Seine Antwort: Betrugserkennung ist keine Standard-Datenanalyse. Standardanalyse setzt saubere Daten voraus; hier kann man nicht annehmen, dass eine einzige Partie fair gespielt wurde, daher ist die Isolierung der verdächtigen Abschnitte die einzige Methode, die funktioniert.

Laden Sie Teil 2 von Kramniks Papier zur Betrugserkennung herunter.