Resumen: Los motores de ajedrez contemporáneos ofrecen evaluaciones precisas pero opacas, generalmente expresadas como puntuaciones de centipones. Si bien son eficaces para la toma de decisiones, estos resultados oscurecen las contribuciones subyacentes de piezas o patrones individuales. En este artículo, exploramos la adaptación de SHAP (SHapley Additive exPlanations) al dominio del análisis del ajedrez, con el objetivo de atribuir una evaluación de motores de ajedrez a piezas específicas en el tablero. Al tratar las piezas como características y eliminarlas sistemáticamente, calculamos contribuciones aditivas por pieza que explican la salida del motor de una manera localmente fiel e interpretable por humanos. Este método se inspira en la pedagogía clásica del ajedrez, en la que los jugadores evalúan las posiciones eliminando piezas mentalmente, y se basa en técnicas modernas de inteligencia artificial explicables. Nuestro enfoque abre nuevas posibilidades para la visualización, la capacitación humana y la comparación de motores. Publicamos el código y los datos adjuntos para fomentar futuras investigaciones en IA de ajedrez interpretable.
Publicado originalmente en export.arxiv.org el 30 de octubre de 2025.
Ver fuente original
