Ihmismäinen shakkitekoäly
Vallin, Eemeli (2025)
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025052716645
https://urn.fi/URN:NBN:fi:amk-2025052716645
Tiivistelmä
Shakkitekoälyä kehitettiin hyödyntämällä multimodaalisia kieli- ja kuvamalleja, joiden avulla pyrittiin tuottamaan ihmismäistä pelityyliä jäljitteleviä siirtoja. Tavoitteena oli yhdistää OpenAI:n CLIP-kuvamalli ja GPT-2-kielimalli siten, että tekoäly kykeni tulkitsemaan shakkilautaa kuvasta ja ehdottamaan siirtoja tekstimuotoisesti. Mallin tuli pystyä tuottamaan laillisia ja loogisia siirtoja, jotka vastasivat ihmispelaajien valintoja, painottuen inhimillisiin piirteisiin kuten virhealttiuteen ja siirtomalleihin.
Tekoäly toteutettiin kouluttamalla GPT-2-malli Lichess.org-palvelun avoimeen shakkidataan, jota täydennettiin FEN-muotoisilla asemakuvauksilla ja luonnollisella kielellä kirjoitetuilla siirtokuvauksilla. Visuaalinen syöte luotiin CLIP-mallin avulla, joka tulkitsi kuvamuotoisia shakkilautoja ja loi niiden pohjalta kuvauksia tekstinä. Mallin toimivuutta arvioitiin vertaamalla sen ehdottamia siirtoja ihmispelaajien pelidataan sekä suorittamalla testipelejä ihmistä vastaan.
Malli tuotti onnistuneesti suurimman osan siirroista sääntöjen mukaisesti, erityisesti pelin alku- ja keski-vaiheessa. Kuvantunnistukseen perustuvat kuvaukset olivat pääosin johdonmukaisia, ja GPT-2-malli pystyi generoimaan niihin perustuvia siirtoja, jotka vastasivat ihmismäistä logiikkaa. Loppupelissä ilmeni kuitenkin haasteita, kuten virheellisiä siirtoja ja puutteita pelitilanteen kokonaisarvioinnissa.
Johtopäätöksenä voitiin todeta, että yhdistetty kieli- ja kuvamalli kykenee jäljittelemään osittain ihmismäistä pelityyliä, mutta erityisesti strategisen jatkuvuuden ja sääntöjen noudattamisen osalta on kehitystarpeita. Mallin hyödyntäminen nähdään lupaavana erityisesti opetuskäytössä ja viihteellisissä sovelluksissa, joissa inhimillinen pelityyli lisää vuorovaikutusta ja saavutettavuutta. A chess-playing artificial intelligence was developed by utilizing multimodal language and vision models, aiming to generate moves that imitate human playing style. The objective was to combine OpenAI’s CLIP vision model and GPT-2 language model so that the AI could interpret chessboards from images and suggest moves in textual format. The model was expected to produce legal and logical moves like those made by human players, with an emphasis on human-like characteristics such as errors and strategic pat-terns.
The implementation involved training the GPT-2 model on publicly available chess data from the Lichess.org platform, supplemented with FEN notations and natural language descriptions of moves. The visual input was processed using the CLIP model, which converted image-based board states into descriptive text. The functionality of the model was evaluated by comparing its suggestions to human moves and by conducting test games against human players.
The model successfully generated mostly legal moves, especially during the opening and middle game. The visual interpretations were generally consistent, and GPT-2 was able to produce move-suggestions that followed plausible human logic. However, challenges were observed in the endgame, including illegal moves and difficulties in overall game state evaluation.
It was concluded that a combined language and vision model can partially replicate human playing style, although improvements are needed in strategic continuity and rule validation. The approach shows promise particularly for educational and entertainment applications, where human-like interaction and accessibility enhance the user experience.
Tekoäly toteutettiin kouluttamalla GPT-2-malli Lichess.org-palvelun avoimeen shakkidataan, jota täydennettiin FEN-muotoisilla asemakuvauksilla ja luonnollisella kielellä kirjoitetuilla siirtokuvauksilla. Visuaalinen syöte luotiin CLIP-mallin avulla, joka tulkitsi kuvamuotoisia shakkilautoja ja loi niiden pohjalta kuvauksia tekstinä. Mallin toimivuutta arvioitiin vertaamalla sen ehdottamia siirtoja ihmispelaajien pelidataan sekä suorittamalla testipelejä ihmistä vastaan.
Malli tuotti onnistuneesti suurimman osan siirroista sääntöjen mukaisesti, erityisesti pelin alku- ja keski-vaiheessa. Kuvantunnistukseen perustuvat kuvaukset olivat pääosin johdonmukaisia, ja GPT-2-malli pystyi generoimaan niihin perustuvia siirtoja, jotka vastasivat ihmismäistä logiikkaa. Loppupelissä ilmeni kuitenkin haasteita, kuten virheellisiä siirtoja ja puutteita pelitilanteen kokonaisarvioinnissa.
Johtopäätöksenä voitiin todeta, että yhdistetty kieli- ja kuvamalli kykenee jäljittelemään osittain ihmismäistä pelityyliä, mutta erityisesti strategisen jatkuvuuden ja sääntöjen noudattamisen osalta on kehitystarpeita. Mallin hyödyntäminen nähdään lupaavana erityisesti opetuskäytössä ja viihteellisissä sovelluksissa, joissa inhimillinen pelityyli lisää vuorovaikutusta ja saavutettavuutta.
The implementation involved training the GPT-2 model on publicly available chess data from the Lichess.org platform, supplemented with FEN notations and natural language descriptions of moves. The visual input was processed using the CLIP model, which converted image-based board states into descriptive text. The functionality of the model was evaluated by comparing its suggestions to human moves and by conducting test games against human players.
The model successfully generated mostly legal moves, especially during the opening and middle game. The visual interpretations were generally consistent, and GPT-2 was able to produce move-suggestions that followed plausible human logic. However, challenges were observed in the endgame, including illegal moves and difficulties in overall game state evaluation.
It was concluded that a combined language and vision model can partially replicate human playing style, although improvements are needed in strategic continuity and rule validation. The approach shows promise particularly for educational and entertainment applications, where human-like interaction and accessibility enhance the user experience.