DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
DraftFM ist ein Foundation Model, das das Day-Zero-Drafting in Magic: The Gathering ermöglicht, indem es ungesehene Karten unter Verwendung nur ihrer öffentlichen Attribute und des Draft-Kontexts bewertet und dabei Expertenleistung erzielt, ohne auf historische Pick-Daten oder Kartenidentitäten zurückzugreifen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der kompetitiven Kartenspiele gibt es eine einzigartige Herausforderung, die in dem Moment entsteht, als eine neue Kartenmenge enthüllt wird, aber noch bevor jemand mit ihnen gespielt hat. Stellen Sie sich eine Gruppe von Spielern vor, die sich versammelt, um Decks aus einer frischen Box mit hunderten neuer Karten zu bauen. Sie müssen nacheinander entscheiden, welche Karten sie behalten und welche sie an den nächsten Spieler weitergeben, während sie gleichzeitig nichts darüber wissen, wie diese Karten in tatsächlichen Spielen abschneiden werden. Dies ist das „Day-Zero“-Problem. Seit Jahrzehnten warten Computergrafiken, die darauf ausgelegt sind, Spielern bei diesen Entscheidungen zu helfen, vergeblich. Sie verlassen sich darauf, aus vergangenen Spielen zu lernen, aber wenn ein neues Set erscheint, gibt es noch keine vergangenen Spiele, aus denen man lernen könnte. Die Daten existieren schlichtweg noch nicht. Dies lässt die Spieler vollständig auf menschliche Intuition und Expertenmeinungen zurückgreifen, die zwar wertvoll, aber subjektiv sind und von Person zu Person variieren. Die Frage für die Forschung war lange Zeit, ob ein Computer die allgemeinen Regeln für eine gute Kartenauswahl gut genug erlernen könnte, um kluge Vermutungen über ein völlig neues Set anzustellen, ohne jemals eine einzige Karte daraus gesehen zu haben.
Ein Forscher namens Brian Ward hat dieses Problem mit einem neuen System namens DraftFM angegangen. Anstatt zu versuchen, spezifische Karten auswendig zu lernen oder darauf zu warten, dass sich Daten ansammeln, wurde dieses System mit fast 150 Millionen Entscheidungen trainiert, die menschliche Spieler über 29 verschiedene Kartensets hinweg in mehreren Jahren getroffen haben. Die entscheidende Innovation liegt darin, wie der Computer die Karten sieht. Anstatt jede Karte als einen einzigartigen Namen zu behandeln, den man auswendig lernen muss, zerlegt das System jede Karte in eine Liste ihrer physischen und schriftlichen Merkmale: ihre Farbe, ihre Kosten, ihren Typ und den Text ihrer Regeln. Es verwendet zudem ein festes, vortrainiertes Sprachverständnis, um die Beschreibung der Karte zu lesen. Indem das System aus tausenden verschiedenen Sets lernte, lernte es, Muster darin zu erkennen, was eine Karte basierend auf diesen Merkmalen allein wertvoll macht. Es kennt nicht den Namen einer Karte oder zu welchem Set sie gehört; es kennt nur die Merkmale, die es sehen kann. Dies ermöglicht es dem System, eine brandneue Karte, die es noch nie zuvor gesehen hat, zu bewerten, basierend auf derselben Logik, die es für Karten verwendete, die es Jahre zuvor studierte.
Um zu testen, ob dieser Ansatz tatsächlich funktioniert, hielt der Forscher drei komplette Kartensets aus den Trainingsdaten zurück. Diese Sets waren dem Modell völlig unbekannt. Als das System gefragt wurde, was menschliche Spieler aus diesen neuen Sets wählen würden, schnitt es mit überraschender Genauigkeit ab. Beim ersten Pick eines Drafts, bei dem ein Spieler dutzende Optionen hat und die Chance, durch reines Glück richtig zu raten, bei nur etwa 7 Prozent liegt, stimmte das Modell in etwa 51 bis 60 Prozent der Fälle mit den menschlichen Entscheidungen überein. Dies ist ein bedeutender Fortschritt, da frühere Computermodelle diese Aufgabe erst nach Wochen konnten, nachdem die Sets bereits gespielt worden waren. Das System identifizierte auch korrekt, dass menschliche Spieler dazu neigen, zu Beginn eines Drafts am konsistentesten zu sein, wenn sie die größte Freiheit bei der Wahl haben, und dass ihre Entscheidungen vorhersehbarer werden, wenn der Pool der verfügbaren Karten schrumpft.
Die wahre Prüfung dieses Systems kam mit der Veröffentlichung eines neuen Sets basierend auf Der Hobbit. Noch bevor das Set auf der digitalen Plattform, auf der die meisten Menschen draften, zum Spielen verfügbar war, nutzte der Forscher DraftFM, um ein vollständiges Ranking jeder Karte in diesem Set zu erstellen. Dieses Ranking wurde versiegelt und mit einem digitalen Zeitstempel etwa 36 Stunden vor dem Live-Gang des Sets veröffentlicht, um sicherzustellen, dass die Vorhersagen ohne Kenntnis darüber getroffen wurden, wie die Karten tatsächlich abschneiden würden. Der Forscher verglich diese computergenerierten Rankings dann mit den Pre-Release-Rezensionen von sechs unabhängigen menschlichen Experten, die in der Kartengemeinschaft bekannt sind. Die Ergebnisse zeigten, dass die Rankings des Computers mit den menschlichen Experten etwa so sehr übereinstimmten, wie die Experten untereinander übereinstimmten. Obwohl der Computer die Menschen nicht übertraf, gelang es ihm, deren Konsens zu erreichen, ohne auch nur ein einziges Spiel gespielt oder ein einziges Draft-Log gesehen zu haben.
Diese Arbeit demonstriert, dass ein Computer die zugrunde liegende Logik eines komplexen Spiels gut genug erlernen kann, um fundierte Vorhersagen über völlig neue Inhalte zu treffen. Sie beweist, dass die Fähigkeit, von vergangenen Erfahrungen auf zukünftige Unbekannte zu generalisieren, selbst in einem so komplizierten Bereich wie dem Kartendrafting möglich ist. Das System ist nicht perfekt; es ist in seinen Vorhersagen einheitlich übermäßig selbstbewusst und hat immer noch Schwierigkeiten, die Nuancen menschlicher Experten zu erreichen, wenn die Entscheidungen schwierig sind. Dennoch etabliert es einen neuen Maßstab für das, was am „Tag Null“ möglich ist. Indem es Karten als Sammlungen von Merkmalen statt als auswendig gelernte Namen behandelt, überbrückt das Modell die Lücke zwischen dem Lernen aus der Geschichte und dem Navigieren durch das Unbekannte. Der Forscher hat sich verpflichtet, eine Folgestudie zu veröffentlichen, sobald die tatsächlichen Draft-Daten für das neue Set verfügbar sind, die offenbaren werden, ob die Vorhersagen des Modells gegenüber der Realität, wie die Karten tatsächlich gespielt werden, bestehen können. Bis dahin steht das Werk als Demonstration dafür, dass Maschinen das Spiel der Vorhersage lernen können, selbst wenn die Regeln zum ersten Mal geschrieben werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.