Todos los artículos

¿Deja huella una persona cuando juega al ajedrez?

2026

Mi Trabajo de Fin de Grado, «Sistema de caracterización de estilometría en ajedrez basado en aprendizaje automático e imágenes compuestas», no plantea otro motor ni busca la mejor jugada. Se pregunta algo más concreto, si una persona deja una huella reconocible cuando juega.

Planteamiento

El trabajo usa partidas de Lichess y tiene una restricción principal, que es no usar Stockfish ni evaluaciones de motor como señal de entrada. El sistema solo ve lo que se observa directamente en la partida, en forma de imágenes del tablero y mapas de tiempo de decisión.

Con eso se entrena una red siamesa con aprendizaje métrico y pérdida triplete, que produce embeddings de partidas para comparar la similitud entre jugadores.

Sistema

El pipeline cubre la extracción y el filtrado de partidas, la generación de imágenes, la normalización de la perspectiva del tablero, el entrenamiento y una inferencia basada en banco de memoria. Ese banco conserva varias partidas por jugador en vez de reducirlo todo a un promedio, lo que permite recuperar ejemplos cercanos y estudiar las confusiones del modelo.

Resultados

Los resultados son modestos, pero muestran señal.

EvaluaciónResultadoReferencia
Identificación con 10 jugadoresTop-5 de 79,75 % a 82,25 %50 % en Top-5 al azar
Identificación con 200 jugadoresTop-1 de 2,05 %0,5 % en Top-1 al azar
Elo en crudoMAE de 329,0Predicciones comprimidas al centro
Elo calibradoMAE de 260,6Calibración lineal out-of-fold
Elo con 20 partidasMAE de unos 224Mejor método calibrado

Al ampliar a 200 jugadores la identificación exacta cae mucho, como era de esperar, aunque se queda unas cuatro veces por encima del azar. El modelo no se entrenó para estimar el Elo, pero el embedding contiene información sobre el nivel.

Conclusión

El sistema no es un identificador robusto de autoría ni pretende competir con métodos basados en motores. Sí es una primera implementación completa de un enfoque visual y temporal para comparar el comportamiento de los jugadores.

Lo más valioso ha sido comprobar que hay señal aprovechable y entender mejor la dificultad del problema, porque estilo, nivel, color, fase de la partida, reloj y repertorio aparecen mezclados. Separar esos factores queda como trabajo futuro.