¿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.
| Evaluación | Resultado | Referencia |
|---|---|---|
| Identificación con 10 jugadores | Top-5 de 79,75 % a 82,25 % | 50 % en Top-5 al azar |
| Identificación con 200 jugadores | Top-1 de 2,05 % | 0,5 % en Top-1 al azar |
| Elo en crudo | MAE de 329,0 | Predicciones comprimidas al centro |
| Elo calibrado | MAE de 260,6 | Calibración lineal out-of-fold |
| Elo con 20 partidas | MAE de unos 224 | Mejor 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.