Registro:
| Documento: | Tesis de Grado |
| Título: | Mate in one |
| Título alternativo: | Mate en 1 |
| Autor: | Ponce, Ezequiel |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Publicación en la web: | 2025-06-12 |
| Fecha de defensa: | 2024-12-19 |
| Fecha en portada: | 2024 |
| Grado Obtenido: | Grado |
| Título Obtenido: | Licenciado en Ciencias de Datos |
| Departamento Docente: | Departamento de Computación |
| Director: | Bianchi, Bruno; Corro, Luciano del |
| Jurado: | Fernández Slezak, Diego; Lanzarotti, Esteban Omar |
| Idioma: | Español |
| Palabras clave: | AJEDREZ; TRANSFORMERS; GRANDES MODELOS DE LENGUAJE; SUPERVISED FINE-TUNING; DIRECT PREFERENCE OPTIMIZATIONCHESS; TRANSFORMERS; LARGE LANGUAGE MODELS; SUPERVISED FINE-TUNING; DIRECT PREFERENCE OPTIMIZATION |
| Formato: | PDF |
| Handle: |
http://hdl.handle.net/20.500.12110/seminario_nDAT000005_Ponce |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nDAT000005_Ponce.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/seminario/document/seminario_nDAT000005_Ponce |
| Ubicación: | Dep.DAT 000005 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Ponce, Ezequiel. (2024). Mate in one. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/seminario_nDAT000005_Ponce |
Resumen:
Esta investigación explora cómo los grandes modelos de lenguaje pueden desarrollar habilidades de razonamiento a partir de datos de partidas de ajedrez, enfocándose en la predicción de jugadas de jaque mate en una. Se implementaron enfoques de Supervised Fine-Tuning (SFT) y Direct Preference Optimization (DPO) para mejorar el rendimiento en la tarea de predicción. El estudio evaluó la eficacia de diferentes representaciones de entrada y segmentó el dataset por niveles de Elo para reflejar distintas habilidades. Los resultados muestran un aumento significativo en la capacidad del modelo para predecir jugadas de jaque mate, logrando una mejora de hasta 370 veces respecto al rendimiento base. Estos hallazgos subrayan el potencial de los grandes modelos de lenguaje en el análisis estratégico y la resolución de problemas complejos.
Abstract:
This research explores how large language models can develop reasoning skills from chess game data, focusing on predicting checkmate-in-one moves. Approaches such as Supervised Fine-Tuning (SFT) and Direct Preference Optimization (DPO) were implemented to enhance performance in the prediction task. The study evaluated the effectiveness of different input representations and segmented the dataset by Elo levels to reflect various skill levels. The results show a significant increase in the model’s ability to predict checkmate moves, achieving an improvement of up to 370 times compared to the baseline performance. These findings highlight the potential of large language models in strategic analysis and solving complex problems.
Citación:
---------- APA ----------
Ponce, Ezequiel. (2024). Mate in one. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nDAT000005_Ponce
---------- CHICAGO ----------
Ponce, Ezequiel. "Mate in one". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2024.https://hdl.handle.net/20.500.12110/seminario_nDAT000005_Ponce
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nDAT000005_Ponce.pdf
Distrubución geográfica
