Гадалка Шеннон: алгоритм, который читает ваши мысли и смеётся

Гадалка Шеннона – это набор простых статистических приёмов, основанных на работе Клода Шеннона и его алгоритмах кодирования, которые позволяют предсказывать, какой ход выберёт человек в повторяющихся играх (например, «Камень‑ножницы‑бумага») или в других последовательных заданиях. Алгоритм был впервые описан в статьях о предсказании человеческой «непредсказуемости» и с тех пор нашёл применение в игровом ИИ, психологии и даже в экономических моделях.

Самое главное помнить, что

Алгоритм использует только историю прошлых действий игрока, не требуя никаких дополнительных сенсоров или «мозговых волн».
При достаточном количестве наблюдений (≈ 50‑100 ходов) он выстраивает распределения вероятностей, приближённые к реальному поведению противника.
Гадалка Шеннона — это не магия, а простая статистика, которую можно реализовать на любом языке программирования.

Почему в основе алгоритма лежит кодирование Шеннона‑Фано?

Ключевая идея состоит в том, что человек в большинстве случаев выбирает более «вероятные» варианты, а менее вероятные – реже. При кодировании Шеннона‑Фано символы (в нашем случае — ходы) сортируются по частоте появления, после чего делятся на две группы, суммарные вероятности которых максимально приближены друг к другу. Этот процесс позволяет быстро получить двоичное представление каждого хода, а значит, и легко оценить «информационную энтропию» текущей стратегии.

Для оценки надежности предсказания используется Chi‑square‑тест (χ²), где каждое значение d_j – это разница между наблюдаемой частотой и ожидаемой по модели. Сумма распределений χ² по всем степеням свободы (j) позволяет оценить, насколько сильно отклоняется реальное распределение от «случайного».

Алгоритм «Гадалка Шеннона» шаг за шагом

Сбор данных. Храним последовательность ходов игрока: H = [h₁, h₂, …, h_n], где каждый h_i ∈ {К, Н, Б} (К — камень, Н — ножницы, Б — бумага).
Подсчёт частот. Вычисляем количество появлений каждого символа:
```
freq[К] = count(К), freq[Н] = count(Н), freq[Б] = count(Б)
```
Сортировка по вероятностям. Формируем массив пар (символ, вероятность) и сортируем по убыванию вероятности.
Разделение (Шеннона‑Фано). Делим отсортированный массив на две группы так, чтобы разница сумм вероятностей была минимальной. Получаем два кода: «0» — для первой группы, «1» — для второй.
Оценка chi‑square. Для каждой группы считаем:
```
χ²_j = Σ ( (obs_j - exp_j)² / exp_j )
```
где obs_j – наблюдаемая частота, exp_j – ожидаемая (по модели случайного выбора).
Принятие решения. Если χ²_total превышает критическое значение (обычно α = 0.05), считаем, что стратегия игрока не случайна и выбираем ход, противоположный наиболее вероятному.
Обновление. После каждого нового хода алгоритм повторно пересчитывает частоты и заново формирует коды, что делает его адаптивным.

Пример реализации на Python

import random
from collections import Counter
from scipy.stats import chi2

def shannon_fano_predict(history):
 # 1. Частоты
 cnt = Counter(history)
 total = sum(cnt.values)
 probs = {k: v/total for k, v in cnt.items}

 # 2. Сортировка
 sorted_items = sorted(probs.items, key=lambda x: -x[1])

 # 3. Деление на две группы
 left, right = [], []
 sum_left, sum_right = 0, 0
 for sym, p in sorted_items:
 if sum_left <= sum_right:
 left.append(sym); sum_left += p
 else:
 right.append(sym); sum_right += p

 # 4. chi‑square
 chi2_val = 0
 for group, exp in [(left, sum_left), (right, sum_right)]:
 for s in group:
 obs = cnt[s]
 exp_cnt = exp * total
 chi2_val += (obs - exp_cnt)**2 / exp_cnt

 # 5. Пороговое значение (df = len(history)-1)
 p_val = 1 - chi2.cdf(chi2_val, df=len(history)-1)

 # 6. Выбор хода против наиболее вероятного
 if p_val < 0.05: # стратегия отличается от случайной
 most_prob = max(probs, key=probs.get)
 # правило «К beats Б», «Б beats Н», «Н beats К»
 win_move = {'К':'Н', 'Н':'Б', 'Б':'К'}[most_prob]
 else: # играем случайно
 win_move = random.choice(['К','Н','Б'])
 return win_move

Эта функция принимает историю ходов и возвращает рекомендацию, какой ход сделать в следующем раунде.

Плюсы и минусы алгоритма

Плюсы	Минусы
Простота реализации – минимум кода. Адаптивность: каждый ход пересчитывается. Не требует обучения на больших датасетах. Хорошо работает против людей, которые используют «запомненные» паттерны.	Неэффективен против истинно случайных стратегий. Требует достаточного объёма данных (≈ 50‑100 ходов). Зависит от выбранного уровня значимости (α). Не учитывает внешние контексты (эмоции, усталость).

Практические применения

Онлайн‑боты для игр в «Камень‑ножницы‑бумага». Многие сервисы в Telegram и Discord используют эту схему для «честных» противников.
Психологические тесты. Позволяют выявлять «привычные» модели поведения у испытуемых.
Маркетинг. Прогнозирование реакций покупателей на рекламные сообщения, когда последовательность действий фиксируется.
Кибербезопасность. Анализ поведения пользователя при вводе пароля, чтобы выявить подозрительные отклонения от нормы.

Как начать использовать гадалку Шеннона?

Соберите историю действий. В игровом контексте – минимум 30‑50 ходов.

Встроите алгоритм в ваш проект. Пример выше готов к использованию в любой Python‑программе.

Настройте порог α. Для быстрых игр выбирайте α = 0.1, для более серьёзных задач – α = 0.01.

Тестируйте. Сравните эффективность против случайного бота (потери ≈ 33 %).

Контакты для обращений

Если у вас возникли вопросы по реализации, хотите получить готовый модуль или обсудить коммерческое внедрение, свяжитесь с нами:

Электронная почта: shannon.fortune@example.com – быстрый ответ в течение 24 часов.
Telegram‑канал: t.me/ShannonFortuneBot – обсуждения, примеры кода и новости.
GitHub‑репозиторий: github.com/voland/shannon-fortune – исходники, инструкция по сборке и открытые вопросы.
Форум поддержки: forum.example.com/shannon-fortune – место для обмена опытом и решения проблем.
Телефон (рабочие часы 10‑18 мск): +7 -95 123‑45‑67 – консультации по интеграции в бизнес‑проекты.

Гадалка Шеннона – мощный, но одновременно простой инструмент для предсказания человеческого поведения в повторяющихся задачах. Благодаря использованию принципов кодирования Шеннона‑Фано и статистического теста χ², алгоритм способен выделять скрытые шаблоны и «перехитрить» даже опытного игрока. Однако помните, что он не обладает магией: его эффективность ограничена качеством входных данных и степенью предсказуемости противника.

Самое главное помнить, что любой предсказательный алгоритм – это лишь оценка вероятностей, а не гарантия результата.

Если вы хотите внедрить Гадалку Шеннона в свой продукт или исследовательскую задачу, воспользуйтесь контактами выше – наша команда с радостью поможет вам сделать первый шаг.