"Best by test", zei oud-wereldkampioen Fischer over 1.e4. Hij behaalde de beste resultaten met 1.e4 dus koos hij ook het vaakst ervoor. Schaken is in de eerste plaats resultaten behalen en dus is het dan ook vanzelfsprekend om eerder voor openingen te kiezen waarmee men al goed heeft gescoord.
Anderzijds zie ik dat sommige amateurs wel heel snel een opening weggooien van zodra ze een blauwtje hebben oplopen. Men wisselt van opening even snel als van onderbroek met als gevolg dat men uiteindelijk van alles iets kent maar niets goed. Ofwel doet men de moeite niet om een oplossing te vinden voor een probleem in de opening ofwel erger nog denkt men onterecht dat de nederlaag het gevolg is van de gekozen opening.
In het boek Ivan's Chess Journey Unravelled geeft de Nederlandse sterke grootmeester Ivan Sokolov dan ook de raad om een opening minstens een aantal keren uit te testen vooraleer de beslissing te nemen het niet meer te spelen. Een interessante aanvulling vond ik dat hij voor zichzelf soms wel openingen van zijn repertoire heeft gehaald ondanks dat er theoretisch niets mis mee was. Het type stelling resulterend uit de opening beviel hem niet waardoor de resultaten ondermaats bleven en als professional kan je dan uiteraard niet lang dit blijven spelen.
Statistiek beïnvloedt dus ons schaak maar in vergelijking met computerschaak blijft het slechts kinderspel. In computerschaak is statistiek altijd zeer intensief gebruikt geweest om progressie te maken. Elke nieuwe minor-upgrade van een schaakprogamma wordt uitgebreid getest om bugs te verwijderen maar vooral om de eventuele verandering in speelsterkte te kunnen meten. In de loop van de computergeschiedenis zien we trouwens tevens een zeer interessante ontwikkeling van technieken die statistiek omhelzen.
Snelheid is hierbij steeds de leidraad geweest. Hoe sneller er gemeten kan worden, hoe sneller er kan worden bijgestuurd. Het maken van automatische testsessies was dan ook de eerste logische stap om de traagheid van de mens te omzeilen. Met de steeds snellere hardware werd het in het voorbije decennium ook steeds interessanter om vaker te kiezen voor korter en meer i.p.v. langer en minder (partijen). Deze wijziging van analyseren legde ik reeds uit in 2015 op mijn blog zie computers worden autonoom en gebruik ik tegenwoordig zelf zeer regelmatig.
In de laatste 2 jaar zien we nu zelfs programmeurs kiezen voor enkel nog te werken met bulletpartijen of nog sneller. Hiermee werd ook het pad geëffend voor de neurale netwerken die meer dan ooit het moeten hebben van enorme aantallen partijen spelen. Zo leerde AlphaZero zichzelf schaken door in enkele uren tijd 44 miljoen partijen tegen zichzelf te spelen. Enkel de spelregels werden aangeleerd en voor de rest moest het programma het zelf uitzoeken. Tenminste dat was het commerciële verkoopspraatje dat men overal kon lezen zoals op chessbase. Over de echte kern van het verhaal dus hoe het programma zichzelf continu verbetert, werd nauwelijks iets verteld. Om hierover meer te leren, besloot ik het boek Game Changer aan te kopen.
Ik ben halfweg met het boek maar ik heb ondertussen wel al door dat het boek niet bedoeld is om de programmeercode van Alphazero uit te leggen. De auteurs zijn in de eerste plaats schakers dus niet verwonderlijk concentreren ze zich dan ook op de schaakinhoud van de gespeelde partijen. Het blijft een mooi boek om te lezen maar voor de technische kant van hoe het schaakprogramma werkt, heb je veel meer aan het wetenschappelijk document van Google/Deepmind.
Daarin wordt o.a. uitgelegd dat het programma werkt met een waarschijnlijkheid-spreiding over 4672 mogelijke zetten. In de beginstelling zijn er slechts 20 mogelijke zetten dus je beseft onmiddellijk dat het een heel sterk staaltje programmeren is wat er verwezenlijkt werd. Zelfs de ervaren Leela-programmeurs die zich baseerden op de publicatie van Alpha Zero, hadden nog veel vragen. Misschien was dit ook de bedoeling van de makers. Men wou een nieuwe methode voorstellen maar het was aan anderen om daar creatief een nieuwe categorie van sterke schaakprogramma's mee te ontwikkelen.
Dit zeer doorgedreven statistisch leerproces is tenslotte ook volstrekt nutteloos voor de schaker. 44 miljoen partijen spelen in enkele uren tijd is geen optie. De enige statistieken gebaseerd op partijen gespeeld door mensen die enige waarde hebben, zijn openingsboeken gemaakt op basis van een database (zie mijn artikel groene zetten). Echter die waarde blijft beperkt wat ik onlangs aan de lijve mocht ondervinden. Zo speelde ik dit seizoen een partij waarin ik na 1.e4 e5 met zwart 19 zetten op een rij de meest gespeelde zet koos op meesterniveau. De Chigorinvariant van het Spaans blijft vandaag nog steeds de onbetwiste nummer 1.
Pas op zet 21 week ik af van de 4 resterende meesterpartijen in de bigdatabase 2019 . Statistisch had het sowieso weinig betekenis meer maar opmerkelijker vond ik dat ik met zwart in een onaangename stelling was beland. Dit in combinatie met een goed voorbereide en uitstekend spelende tegenstander was een dodelijke combinatie.
In het boek Ivan's Chess Journey Unravelled geeft de Nederlandse sterke grootmeester Ivan Sokolov dan ook de raad om een opening minstens een aantal keren uit te testen vooraleer de beslissing te nemen het niet meer te spelen. Een interessante aanvulling vond ik dat hij voor zichzelf soms wel openingen van zijn repertoire heeft gehaald ondanks dat er theoretisch niets mis mee was. Het type stelling resulterend uit de opening beviel hem niet waardoor de resultaten ondermaats bleven en als professional kan je dan uiteraard niet lang dit blijven spelen.
Statistiek beïnvloedt dus ons schaak maar in vergelijking met computerschaak blijft het slechts kinderspel. In computerschaak is statistiek altijd zeer intensief gebruikt geweest om progressie te maken. Elke nieuwe minor-upgrade van een schaakprogamma wordt uitgebreid getest om bugs te verwijderen maar vooral om de eventuele verandering in speelsterkte te kunnen meten. In de loop van de computergeschiedenis zien we trouwens tevens een zeer interessante ontwikkeling van technieken die statistiek omhelzen.
Snelheid is hierbij steeds de leidraad geweest. Hoe sneller er gemeten kan worden, hoe sneller er kan worden bijgestuurd. Het maken van automatische testsessies was dan ook de eerste logische stap om de traagheid van de mens te omzeilen. Met de steeds snellere hardware werd het in het voorbije decennium ook steeds interessanter om vaker te kiezen voor korter en meer i.p.v. langer en minder (partijen). Deze wijziging van analyseren legde ik reeds uit in 2015 op mijn blog zie computers worden autonoom en gebruik ik tegenwoordig zelf zeer regelmatig.
In de laatste 2 jaar zien we nu zelfs programmeurs kiezen voor enkel nog te werken met bulletpartijen of nog sneller. Hiermee werd ook het pad geëffend voor de neurale netwerken die meer dan ooit het moeten hebben van enorme aantallen partijen spelen. Zo leerde AlphaZero zichzelf schaken door in enkele uren tijd 44 miljoen partijen tegen zichzelf te spelen. Enkel de spelregels werden aangeleerd en voor de rest moest het programma het zelf uitzoeken. Tenminste dat was het commerciële verkoopspraatje dat men overal kon lezen zoals op chessbase. Over de echte kern van het verhaal dus hoe het programma zichzelf continu verbetert, werd nauwelijks iets verteld. Om hierover meer te leren, besloot ik het boek Game Changer aan te kopen.
Daarin wordt o.a. uitgelegd dat het programma werkt met een waarschijnlijkheid-spreiding over 4672 mogelijke zetten. In de beginstelling zijn er slechts 20 mogelijke zetten dus je beseft onmiddellijk dat het een heel sterk staaltje programmeren is wat er verwezenlijkt werd. Zelfs de ervaren Leela-programmeurs die zich baseerden op de publicatie van Alpha Zero, hadden nog veel vragen. Misschien was dit ook de bedoeling van de makers. Men wou een nieuwe methode voorstellen maar het was aan anderen om daar creatief een nieuwe categorie van sterke schaakprogramma's mee te ontwikkelen.
Dit zeer doorgedreven statistisch leerproces is tenslotte ook volstrekt nutteloos voor de schaker. 44 miljoen partijen spelen in enkele uren tijd is geen optie. De enige statistieken gebaseerd op partijen gespeeld door mensen die enige waarde hebben, zijn openingsboeken gemaakt op basis van een database (zie mijn artikel groene zetten). Echter die waarde blijft beperkt wat ik onlangs aan de lijve mocht ondervinden. Zo speelde ik dit seizoen een partij waarin ik na 1.e4 e5 met zwart 19 zetten op een rij de meest gespeelde zet koos op meesterniveau. De Chigorinvariant van het Spaans blijft vandaag nog steeds de onbetwiste nummer 1.
Dat Benjamin een te duchten tegenstander was geworden, had ik al eerder over geschreven op deze blog zie ambities deel 2. Deze partij mag hij wellicht rekenen bij zijn betere/ beste. Voor mij was de nederlaag een signaal om eens de Spaanse Chigorin opnieuw te bestuderen. 20 jaar ervaring betekent nooit dat je klaar bent met een opening. Bovendien had ik geluk want toevallig vorig jaar was er een boek gepubliceerd over deze opening geschreven door 2 grootmeesters: Ivan Sokolov en de Spaanse grootmeester Ivan Salgado Lopez.
Zoals de auteurs opmerken in het boek, is het heel vreemd dat er in de schaakliteratuur nooit eerder een gelijkaardig werk over deze nochtans populairste variant van het Spaans verschenen is. Ik heb het boek ondertussen al helemaal doorgenomen en ik raad het zeker aan voor schakers die geïnteresseerd zijn in de opening. Er wordt een zeer goed uitgebreid overzicht gegeven van de huidige theorie en die blijkt redelijk ok te zijn voor zwart. Daarnaast worden ook tal van verbeteringen aangegeven. Op chesspub kwam er kritiek op het boek dat het onvolledig is. Helemaal onterecht is dit niet want ook 20.d5 wordt niet besproken in het boek. Anderzijds met Pa5 bestaan er al meer dan 8000 meesterpartijen in de big database 2019 en dan moet je ook nog de correspondentiepartijen erbij tellen. In het boek staan voldoende alternatieven om rond eventuele gaten te kunnen laveren met beide kleuren.
Brabo
Brabo
Geen opmerkingen:
Een reactie posten