Il presente lavoro di tesi affronta il problema della stima della difficoltà e della risoluzione automatica di puzzle scacchistici attraverso l’ingegnerizzazione e lo sviluppo software end-to-end di un sistema d’Intelligenza Artificiale ibrido. Nelle piattaforme di gioco online come Lichess.org, la difficoltà dei problemi tattici viene quantificata in modo empirico a posteriori mediante il sistema di rating statistico Glicko-2. Tale approccio soffre del limite strutturale noto come Cold Start: la stima a priori della complessità dei nuovi puzzle è assente, causando una somministrazione casuale che compromette la User Experience e l’apprendimento ottimale da parte dello stesso. Per superare tali limitazioni, è stata progettata un’architettura software modulare articolata in tre componenti sequenziali: il Modulo ETL e Feature Engineering converte la notazione FEN della posizione e la prima mossa innescante dell’avversario in un vettore numerico di circa 85-90 euristiche posizionali, tattiche e cognitive mediante l’interfacciamento IPC con il motore Stockfish via protocollo UCI; successivamente vi è l’Inference Engine (XGBoost) che è un modello di regressione basato su Gradient Boosted Decision Trees, addestrato su un dataset di 300.000 puzzle. Per contrastare il fenomeno del flattening verso la media gaussiana di 1500 Elo, è stata applicata la ponderazione dei campioni (Sample Weighting), assegnando pesi scalari da 2.5x a 12.0x agli errori sui puzzle con Elo estremo; infine vi è il Risolutore Adattivo che riceve la stima dell’Elo e alloca dinamicamente le risorse computazionali di Stockfish (impostando una profondità di calcolo depth = 6, 12, 18) per erogare la sequenza risolutiva vincente (Principal Variation) senza sprechi di memoria. Il modello e la struttura vettoriale delle colonne vengono serializzati in formato JSON per garantire la portabilità dell’inferenza a runtime su CPU. Il sistema ottiene un Errore Medio Assoluto (MAE) di 241.51 punti Elo in 5-Fold Cross-Validation e di 285.22 punti Elo sul set di Holdout del 15%. Infine, l’architettura è stata integrata sia tramite un’interfaccia interattiva a riga di comando (CLI) a doppio input, sia all’interno di un videogioco scacchistico 3D in Unity mediante generazione procedurale offline.

PROGETTAZIONE E IMPLEMENTAZIONE DI UN SISTEMA IBRIDO PER LA STIMA DELLA DIFFICOLTÀ E LA RISOLUZIONE ADATTIVA DI PUZZLE SCACCHISTICI

MARANGI, FRANCESCO
2025/2026

Abstract

Il presente lavoro di tesi affronta il problema della stima della difficoltà e della risoluzione automatica di puzzle scacchistici attraverso l’ingegnerizzazione e lo sviluppo software end-to-end di un sistema d’Intelligenza Artificiale ibrido. Nelle piattaforme di gioco online come Lichess.org, la difficoltà dei problemi tattici viene quantificata in modo empirico a posteriori mediante il sistema di rating statistico Glicko-2. Tale approccio soffre del limite strutturale noto come Cold Start: la stima a priori della complessità dei nuovi puzzle è assente, causando una somministrazione casuale che compromette la User Experience e l’apprendimento ottimale da parte dello stesso. Per superare tali limitazioni, è stata progettata un’architettura software modulare articolata in tre componenti sequenziali: il Modulo ETL e Feature Engineering converte la notazione FEN della posizione e la prima mossa innescante dell’avversario in un vettore numerico di circa 85-90 euristiche posizionali, tattiche e cognitive mediante l’interfacciamento IPC con il motore Stockfish via protocollo UCI; successivamente vi è l’Inference Engine (XGBoost) che è un modello di regressione basato su Gradient Boosted Decision Trees, addestrato su un dataset di 300.000 puzzle. Per contrastare il fenomeno del flattening verso la media gaussiana di 1500 Elo, è stata applicata la ponderazione dei campioni (Sample Weighting), assegnando pesi scalari da 2.5x a 12.0x agli errori sui puzzle con Elo estremo; infine vi è il Risolutore Adattivo che riceve la stima dell’Elo e alloca dinamicamente le risorse computazionali di Stockfish (impostando una profondità di calcolo depth = 6, 12, 18) per erogare la sequenza risolutiva vincente (Principal Variation) senza sprechi di memoria. Il modello e la struttura vettoriale delle colonne vengono serializzati in formato JSON per garantire la portabilità dell’inferenza a runtime su CPU. Il sistema ottiene un Errore Medio Assoluto (MAE) di 241.51 punti Elo in 5-Fold Cross-Validation e di 285.22 punti Elo sul set di Holdout del 15%. Infine, l’architettura è stata integrata sia tramite un’interfaccia interattiva a riga di comando (CLI) a doppio input, sia all’interno di un videogioco scacchistico 3D in Unity mediante generazione procedurale offline.
2025
DESIGN AND IMPLEMENTATION OF A HYBRID SYSTEM FOR DIFFICULTY ESTIMATION AND ADAPTIVE SOLVING OF CHESS PUZZLES.
AI
Puzzle Scacchi
File in questo prodotto:
Fulltext non presente su UNITESI – Verifica la disponibilità della tesi in formato cartaceo interrogando il Catalogo di Ateneo

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14253/110514