DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
DraftFM es un modelo fundacional que permite el draft de día cero en Magic: The Gathering al calificar cartas no vistas utilizando únicamente sus atributos públicos y el contexto del draft, logrando un rendimiento de nivel experto sin depender de datos históricos de selección o identidades de cartas.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de los juegos de cartas competitivos, surge un desafío único en el momento en que se revela un nuevo conjunto de cartas, pero antes de que nadie haya jugado con ellas. Imagine a un grupo de jugadores reuniéndose para construir mazos a partir de una caja nueva de cientos de cartas nuevas. Deben decidir, una por una, qué cartas conservar y cuáles pasar al siguiente jugador, todo ello mientras ignoran por completo cómo se desempeñarán esas cartas en partidas reales. Este es el problema del "día cero". Durante décadas, los programas informáticos diseñados para ayudar a los jugadores a tomar estas decisiones han estado estancados esperando. Dependen de aprender de partidas pasadas, pero cuando llega un nuevo conjunto, no existen partidas pasadas de las cuales aprender. Los datos simplemente no existen todavía. Esto deja a los jugadores dependiendo enteramente de la intuición humana y de las opiniones de expertos, las cuales, aunque valiosas, son subjetivas y varían de una persona a otra. La pregunta para los investigadores ha sido durante mucho tiempo si una computadora podría aprender las reglas generales de una buena selección de cartas lo suficientemente bien como para hacer conjeturas inteligentes sobre un conjunto completamente nuevo, sin haber visto jamás una sola elección de este.
Un investigador llamado Brian Ward ha abordado este problema con un nuevo sistema llamado DraftFM. En lugar de intentar memorizar cartas específicas o esperar a que se acumulen los datos, este sistema fue entrenado con casi 150 millones de elecciones realizadas por jugadores humanos a través de 29 conjuntos de cartas diferentes durante varios años. La innovación clave es cómo la computadora ve las cartas. En lugar de tratar cada carta como un nombre único para memorizar, el sistema descompone cada carta en una lista de sus características físicas y escritas: su color, su coste, su tipo y el texto de sus reglas. También utiliza una comprensión de lenguaje preentrenada y fija para leer la descripción de la carta. Al aprender de miles de conjuntos diferentes, el sistema aprendió a reconocer patrones en lo que hace que una carta sea valiosa basándose únicamente en estas características. No conoce el nombre de una carta ni a qué conjunto pertenece; solo conoce las características que puede ver. Esto le permite observar una carta nueva que nunca ha encontrado antes y puntuarla basándose en la misma lógica que utilizó para las cartas que estudió hace años.
Para probar si este enfoque realmente funciona, el investigador reservó tres conjuntos de cartas completos de los datos de entrenamiento. Estos conjuntos eran completamente desconocidos para el modelo. Cuando se le pidió al sistema que predijera qué elegirían los jugadores humanos de estos nuevos conjuntos, funcionó con una precisión sorprendente. En la primera elección de un draft, donde un jugador tiene docenas de opciones y la probabilidad de acertar por pura suerte es de solo alrededor del 7 por ciento, el modelo coincidió con las elecciones humanas aproximadamente del 51 al 60 por ciento de las veces. Este es un salto significativo, ya que los modelos informáticos anteriores ni siquiera podían intentar esta tarea hasta después de que los conjuntos hubieran sido jugados durante semanas. El sistema también identificó correctamente que los jugadores humanos tienden a ser más consistentes al principio de un draft, cuando tienen la mayor libertad para elegir, y que sus elecciones se vuelven más predecibles a medida que el grupo de cartas disponibles se reduce.
La verdadera prueba de este sistema llegó con el lanzamiento de un nuevo conjunto basado en El Hobbit. Antes de que el conjunto estuviera disponible para jugar en la plataforma digital donde la mayoría de la gente realiza drafts, el investigador utilizó DraftFM para generar una clasificación completa de cada carta del conjunto. Esta clasificación fue sellada y publicada con una marca de tiempo digital aproximadamente 36 horas antes de que el conjunto se lanzara oficialmente, asegurando que las predicciones se realizaran sin conocimiento de cómo actuarían realmente las cartas. El investigador luego comparó estas clasificaciones generadas por computadora contra las reseñas previas al lanzamiento de seis expertos humanos independientes que son bien conocidos en la comunidad de cartas. Los resultados mostraron que las clasificaciones de la computadora coincidieron con los expertos humanos tanto como los expertos coincidieron entre sí. Aunque la computadora no superó a los humanos, logró alcanzar su nivel de consenso sin haber jugado una sola partida o visto un solo registro de draft.
Este trabajo demuestra que una computadora puede aprender la lógica subyacente de un juego complejo lo suficientemente bien como para hacer predicciones informadas sobre contenido completamente nuevo. Prueba que la capacidad de generalizar de experiencias pasadas a incógnitas futuras es posible incluso en un dominio tan intrincado como el draft de cartas. El sistema no es perfecto; es uniformemente excesivamente confiado en sus predicciones, y todavía lucha por igualar el matiz de los expertos humanos cuando las elecciones son difíciles. Sin embargo, establece un nuevo punto de referencia para lo que es posible en el día cero. Al tratar las cartas como colecciones de características en lugar de nombres memorizados, el modelo cierra la brecha entre aprender de la historia y navegar por lo desconocido. El investigador se ha comprometido a publicar un estudio de seguimiento una vez que los datos de draft reales para el nuevo conjunto estén disponibles, lo que revelará si las predicciones del modelo se mantienen frente a la realidad de cómo se juegan las cartas. Hasta entonces, el trabajo se mantiene como una demostración de que las máquinas pueden aprender a jugar el juego de la predicción, incluso cuando las reglas se están escribiendo por primera vez.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.