En ny AI-model, Otter, har sat ny standard for at forudsige, hvilke skaktræk mennesker vælger. Med kun 15,3 millioner parametre og træning på 6,1 milliarder positioner fra 117 millioner Lichess-partier opnår modellen en top-1 nøjagtighed på 55,23 % og top-5 på 90,95 % – hvilket overgår den tidligere førende model, Maia 2, med markant færre parametre og mindre træningsdata. Det fremgår af arXiv-papiret.
Det særlige ved Otter er, at den ikke behandler hvert skakbræt isoleret. I stedet modellerer den spillet som en tidsbevidst, sekventiel proces, der inddrager de seneste 20 træk samt den tid, spilleren har tilbage på uret. Denne tilgang fanger åbningspræferencer, positionsmæssig drift og adfærdsmønstre under tidspres – noget, der ifølge forskerne bag modellen giver en mere menneskelig præcis forudsigelse end tidligere metoder.
For beslutningstagere uden for skakverdenen er pointen ikke selve spillet, men princippet: At forstå menneskelig beslutningstagning kræver mere end at se på et øjebliksbillede. Kontekst – historik og tidspres – er afgørende. Det har implikationer for alt fra brugergrænseflader og spildesign til værktøjer, der skal forudsige eller støtte menneskelige valg i komplekse miljøer.
Modellen er trænet på en enkelt T4 GPU over 30 dage, hvilket gør den tilgængelig for langt flere aktører end de store, ressourcekrævende modeller. Kode, trænede modeller og træningslogfiler er offentligt tilgængelige, hvilket giver virksomheder og forskere mulighed for at bygge videre på resultaterne.
