بیوگرافی نابغه تخته نرد جهان باب کوکا

باب کوکا یک بازیکن تخته نرد و استاد ریاضیات اهل بالتیمور، مریلند است که برای اولین بار در سال 2010 در فهرست بهترین های تخته نرد قرار گرفت. در این مصاحبه، باب افکار و نظرات خود را با سخاوتمندانه ترین شکل با خوانندگان ما به اشتراک می گذارد.

آیا می توانید اطلاعات اولیه بیوگرافی را به ما بدهید؟

من در کلیولند به دنیا آمدم اما در یک سالگی به منطقه شیکاگو نقل مکان کردم و خانواده ام را با خود بردم. زمانی که من 11 ساله بودم به شمال غربی پنسیلوانیا نقل مکان کردیم و خانواده کلی، شامل 3 برادر و 2 خواهر، از آن زمان در آنجا بودند. من مدرک B.S گرفتم مدرک ریاضیات از Carnegie Mellon در سال 1988 و Ph.D. در تحقیقات عملیاتی از کرنل در سال 1994.

چگونه با تخته نرد آشنا شدید؟

من در سال 1971، زمانی که پنج ساله بودم، از پدرم یاد گرفتم. این یکی از بازی های زیادی بود که در کودکی انجام دادم. در سال 1989 زمانی که یکی از دوستان به من پیشنهاد داد که FIBS (اولین سرور تخته نرد آنلاین) را امتحان کنم، به طور منظم بازی را شروع کردم. من اولین تورنمنت خود را در آن سال در سال 1994 در پیتسبورگ انجام دادم و آخرین شانس را در بخش آزاد کسب کردم. بعد از چندین تورنمنت غیرنقدی، در سال 1995 در یک تورنمنت در بخش متوسط بازی کردم. در بخش متوسط برنده شدم و از آن زمان بازیکن آزاد هستم.

مسابقات یا نوع بازی مورد علاقه شما چیست؟

من ترجیح می دهم مسابقاتی را انجام دهم، با ملاحظات استراتژیک وابسته به امتیاز آنها که دائماً در حال تغییر هستند. به‌جای چوگان ترجیح می‌دهم سر بالا بازی کنم. من واقعاً نمی‌دانم که چرا بسیاری از بازیکنان دوست دارند در چوکات بزرگ باشند و در واقع فقط در 1/3 زمان بازی می‌کنند. برای مسابقات من سبک سوئیسی را دوست دارم. برخی بازی های 9 امتیازی دارند، اما به نظر من بهتر است بازی های 7 امتیازی انجام شود و سپس با زمان ذخیره شده، یک یا دو دور اضافی انجام شود.

جالب ترین یا هیجان انگیز ترین برد شما چه بود؟

در سال 2008 اولین سفرم را به اروپا انجام دادم و با 155 شرکت کننده در جام ریویرا قهرمان شدم. ترکیبی از حضور در اروپا برای اولین بار، فیلمبرداری مسابقات برای پخش بعدی، و شکست دادن یک بازیکن مشهور (گاس هانسن) در DMP در فینال، آن را سرگرم کننده و هیجان انگیز کرد.

دوست دارید چگونه بازی را تغییر دهید؟

من می خواهم ببینم روند اخیر تورنمنت های بیشتری که نیاز به برگزاری مسابقات دارند ادامه یابد. ساعت‌ها تضمین می‌کنند که مسابقات به خوبی اجرا می‌شوند، شرایط مسابقه را منصفانه‌تر می‌کنند و مکانیک بازی را بهبود می‌بخشند. (با یک جفت تاس، هیچ تاس تکان نمی خورد در حالی که شما فکر می کنید، و تقریباً هیچ بحثی در مورد آنچه ریخته شده است.) مایلم در تورنمنت های بیشتری از بهترین سه مسابقه 7 امتیازی در مقایسه با یک مسابقه طولانی استفاده کنم. محاسبات الو نشان می دهد که شانس برنده شدن افراد ضعیف قابل مقایسه است، بنابراین این واقعاً یک عامل نیست. من فکر می کنم فقط یک مسابقه جالب تر است.

برخی از افراد راه‌هایی را برای افزایش سطح مهارت با ایده‌هایی مانند تغییر موقعیت شروع، یا الزام این که اولین حرکت به‌منظور کاهش شانس برنده شدن در اولین رول و منجر به بازی‌های موقعیتی طولانی‌تر باشد، پیشنهاد کرده‌اند. اما اگر بازی‌ها طولانی‌تر باشند، ممکن است مهارت در هر بازی بیشتر باشد، اما مهارت در هر زمان ممکن است یکسان باشد. همچنین شانس ممکن است فقط به حرکات بعدی منتقل شود. دیگران پیشنهاد کرده‌اند که برای تصمیم‌گیری در مورد مسابقه، به نرخ خطا یا نرخ عملکرد محاسبه‌شده ربات نگاه کنید، اما این رویکرد مشکلات زیادی دارد. اگر کسی می خواهد آن مسیر را طی کند، پیشنهاد می کنم به جای آن از نتایج کاهش واریانس استفاده کند.

چه چیزی در مورد نرخ خطا بسیار بد است؟ منظور شما از کاهش واریانس نتایج دقیقا چیست؟

نرخ خطا ابزار مفیدی است، اما محدودیت هایی دارد که بسیاری به آن فکر نمی کنند. در اینجا یک لیست است؛ برخی از این نکات در مورد استفاده از یک ER برای تصمیم گیری در یک مسابقه، برخی دیگر برای رتبه بندی بازیکنان بر اساس یک ER، و برخی برای هر دو اعمال می شود:

۱-شما نمی توانید فرض کنید که ربات کامل است (حتی با عرضه).

۲-بازی با حریف نیز بخشی از مهارت یک بازی است. ربات ممکن است شما را به خاطر انجام بازی درست با توجه به حریف جریمه کند

3-دقیقا چگونه باید ER محاسبه شود؟ آیا حرکات اجباری باید گنجانده شود؟ در مورد اقدامات بالقوه مکعب چطور؟

۴-برخی از سبک های بازی بهتر از آنچه واقعاً باید عمل می کنند. به عنوان مثال فرض کنید که نقطه ضعف یک بازیکن این است که در مسابقاتی شرکت می کند که باید آنها را رها کند. او به دلیل برداشت نادرست جریمه می شود، اما پس از آن می تواند مسابقه ای را انجام دهد که در آن بازی ها نسبتاً ساده هستند. او ممکن است با بازی کردن در مسابقه، آنچه را که از دست داده بود، پس بگیرد.

۵-هدف بازی شکست دادن حریف است نه اینکه با کمترین ER ممکن بازی کنید. این مربوط به نکات 2 و 4 بالا است اما عامل دیگری در اینجا وجود دارد. فرض کنید که یک بازیکن بین دو بازی که تقریباً برابر هستند، انتخاب داشته باشد، برای مثال حفظ تماس یا مسابقه. اگر هدف شما بازی با ER پایین است، باید مسابقه دهید. پس از بازی دیگر، احتمالاً خطاهای بیشتری خواهید داشت، اما حریف شما نیز خطا خواهد کرد. بنابراین بازیکنانی که سبک پیچیده ای بازی می کنند ممکن است ER بدتری نسبت به افرادی که سبک ساده بازی می کنند داشته باشند، اما احتمال برنده شدن در مسابقات بیشتر است.

۶-ترفندهایی وجود دارد که می توان از آنها برای بهبود مصنوعی ER استفاده کرد. برخی از اینها فقط با ER محاسبه شده به روش خاصی کار می کنند. برای مثال فرض کنید که تصمیمات مکعبی نزدیک یا واقعی به بازی‌های چکر اجباری در مخرج اضافه می‌شوند. سپس تأخیر دوبل اختیاری در 3a–1a پس از کرافورد به میزان خطای فرد کمک می کند. فرض کنید که شخصی پیشنهاد می کند که فقط در صورتی که اختیاری نبود در محاسبه ER به حساب می آید. حالا فرض کنید بهترین رول شما و بدترین رول حریف شما کمی بازار شما را از دست بدهد، بنابراین دو برابر نشدن یک خطا است. اما این یک خطای کوچک است که، اگر هدف شما به حداقل رساندن ER خود است، نباید دو برابر کنید.

در اینجا یک ترفند دیگر وجود دارد. فرض کنید که محاسبه ER شامل بازی های چکر که در آن حرکت اجباری است نمی شود. اگر روی هر یک از آس، دو و سه امتیاز داشته باشید و 6-1 بزنید، بهترین بازی شما برای ER 3/2/off است. چگونه این بهتر از 3/off، 1/off است؟ فرض کنید رول بعدی شما یک آس غیر از 1-1 باشد. اگر بازی 3/off، 1/off بازی کرده باشید، بازی شما اجباری خواهد بود، اما اگر 3/2/off بازی کرده باشید، اجباری نیست. احتمالاً آن رول را به درستی بازی خواهید کرد و برای انتخاب صحیح اعتبار دریافت خواهید کرد.

کاهش واریانس مستقل از بازی شما محاسبه می شود. ربات بررسی می کند که یک رول خوب یا بد گرفته اید و نتایج را به درستی و به روشی منصفانه تنظیم می کند. اساساً همان ایده ای است که هنگام اجرای برنامه ها استفاده می شود. برای مثال فرض کنید یک مسابقه را باختید اما به مبلغی معادل 40% بدشانس بودید. به جای اینکه بازی را 0 بر 1 ببازید، آن را 0.4 بر 0.6 باخته اید. اگر در مسابقه 100 دلار قمار می کردید به جای 100 دلار، 20 دلار از دست می دادید. اگر در یک تورنمنت سوئیس بازی می کردید، 0.4 برد و 0.6 باخت به حساب می آمدید. مزیت بزرگ کاهش واریانس در مقایسه با رویکرد ER این است که شما فقط بازی را انجام می دهید که فکر می کنید بهترین شانس را برای برنده شدن در مسابقه می دهد. ملاحظات مربوط به کاری که ربات انجام می دهد مرتبط نیست.

دو تا عیب داره یکی این است که برخی نمی‌دانند یا نمی‌پذیرند که کاهش واریانس منصفانه است. با این حال، از آنها می‌پرسم که آیا دقیقاً می‌دانند سیستم ER که دوست دارند چگونه ER را محاسبه می‌کند. مورد دیگر این است که برای مقایسه بازیکنان مختلف که با یکدیگر بازی نکرده اند، عدد عینی ارائه نمی کند. اگر در یک سیستم Elo گنجانده شود، رتبه بندی ها خیلی سریعتر به یک مقدار دقیق همگرا می شوند.

چه توصیه ای به بازیکن جدیدی دارید که می خواهد روزی بازیکن برتر شود؟

خیلی چیزها اما مهم‌تر از همه این است که نگرانی در مورد شانس، زیرا انرژی ذهنی را در طول مسابقه از بین می‌برد و همچنین حواس را از نگاه کردن به گذشته و رفع خطاهای بازی پس از مسابقه منحرف می‌کند.

شما در USBGF (کمیته آموزش) فعال شده اید. نظر/برنامه/امیدهای شما در این زمینه چیست؟

من یک استاد کالج هستم و سعی می کنم یک باشگاه را در مدرسه خود راه اندازی کنم. سایر اعضای کمیته در این زمینه موفقیت هایی کسب می کنند و من فکر می کنم این شروع خوبی برای بهبود محبوبیت کلی بازی است. من گهگاه در کلاس های ریاضی از مثال های تخته نرد استفاده کرده ام. من ماه آینده در یک کنفرانس ریاضی ارائه خواهم کرد و با دیگران به اشتراک خواهم گذاشت که تخته نرد چقدر می تواند منبع غنی مثال های ریاضی باشد. بسیاری از آنها را می توان تنها با توضیح بسیار سریع برخی از قوانین انجام داد.

چگونه برای مسابقات آماده می شوید؟

کوتاه مدت من یک گروه اصلی از موقعیت های مرجع دارم که بررسی آنها چند ساعت طول می کشد که معمولاً روز قبل یا صبح یک تورنمنت را مرور می کنم. در طول سال تحصیلی در بحث‌های bgonline.org/forums شرکت می‌کنم. در طول تابستان زمانی که در مقابل XG (EXtreme Gammon) تمرین می‌کنم و سپس اشتباهاتم را بررسی می‌کنم، فرصت‌ها را مطالعه می‌کنم و سایر موقعیت‌های مرجع را مطالعه می‌کنم، زمان بسیار بیشتری دارم.

در چند ماه گذشته چیزی یاد گرفتم. در طول تابستان زیاد بازی نکردم اما زمان زیادی را صرف مطالعه موقعیت های مرجع کردم. وقتی دوباره بازی XG را شروع کردم، به طور قابل توجهی بدتر از قبل از شروع تابستان بودم. زمان تمرین من اکنون به سمت بازی کردن XG بیشتر تنظیم شده است و سپس وقتی به اشتباهات نگاه می کنم و به این فکر می کنم که چگونه می توانستم از موقعیت های مرجع موجود خود بهتر استفاده کنم به جای تلاش برای یادگیری موقعیت های مرجع بیشتر.