Vladimir Kramnik pubblica la seconda parte della sua metodologia di Fair Play Detection, oggi su World Chess.

Prima parte esponeva la premessa: rilevare l'uso del motore è un problema di benchmarking.La seconda parte spiega il metodo effettivo.

Il punto centrale di Kramnik è che la maggior parte dei sistemi anti-cheating commette un errore: fanno una media di tutto. Guardano l'accuratezza complessiva di un giocatore, o la percentuale di mosse che corrispondono alla scelta migliore del motore, su tutte le sue partite in una volta. Un imbroglione sofisticato sconfigge facilmente questo approccio. Usa il motore solo nei momenti critici o nelle partite critiche, e gioca onestamente il resto. Le sue medie rimangono entro il range umano normale.

Kramnik paragona questo a un medico che riporta la temperatura media dei suoi pazienti — metà con la febbre, metà troppo freddi — e conclude che il reparto è sano. La media è priva di significato quando nasconde due cose molto diverse.

La sua soluzione è usare un ampio insieme di parametri separati, ciascuno con il proprio benchmark, anziché un unico numero combinato. Esempi includono l'accuratezza nei time scramble (10 secondi o meno sull'orologio), il tasso di errori grossolani, la performance in posizioni peggiori e la percentuale di mosse difficili che un giocatore trova. Un imbroglione può mantenere normali i suoi numeri complessivi, ma non può mantenere normali tutte queste misure individuali contemporaneamente.

Il documento mostra due grafici. Il primo riguarda le partite consecutive di blitz online di Magnus Carlsen: i suoi due livelli di accuratezza più comuni sono vicini tra loro, che è ciò che sembra un gioco onesto. Il secondo riguarda un giocatore senza nome con rating sotto 2600 i cui due livelli più comuni sono molto distanti — uno a livello top-ten, uno a livello di gran maestro debole. La media tra di loro sembra normale. Il divario tra di loro è il segnale di allarme.

Kramnik affronta anche la critica principale al suo approccio — che isolare "blocchi" sospetti di partite sia cherry-picking. La sua risposta: il rilevamento degli imbrogli non è un'analisi standard dei dati. L'analisi standard presuppone dati puliti; qui non si può presumere che una singola partita sia stata giocata onestamente, quindi isolare i tratti sospetti è l'unico metodo che funziona.

Scarica la seconda parte del documento di Kramnik sul rilevamento degli imbrogli.