DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
DraftFM est un modèle de fondation qui permet le drafting à l'instant zéro dans Magic: The Gathering en évaluant des cartes inédites en utilisant uniquement leurs attributs publics et le contexte du draft, atteignant une performance de niveau expert sans dépendre des données de sélection historiques ou de l'identité des cartes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde des jeux de cartes compétitifs, il existe un défi unique qui surgit dès qu'un nouvel ensemble de cartes est révélé, mais avant que quiconque n'ait pu jouer avec elles. Imaginez un groupe de joueurs se rassemblant pour construire des decks à partir d'une boîte fraîche de centaines de nouvelles cartes. Ils doivent décider, un par un, quelles cartes garder et lesquelles passer au joueur suivant, tout en ne sachant rien de la manière dont ces cartes performeront réellement en jeu. C'est le problème du « jour zéro ». Depuis des décennies, des programmes informatiques conçus pour aider les joueurs à faire ces choix sont restés bloqués en attente. Ils dépendent de l'apprentissage à partir de parties passées, mais lorsqu'un nouvel ensemble arrive, il n'y a pas de parties passées sur lesquelles apprendre. Les données n'existent tout simplement pas encore. Cela laisse les joueurs s'appuyer entièrement sur l'intuition humaine et les opinions d'experts, lesquelles, bien que précieuses, sont subjectives et varient d'une personne à l'autre. La question pour les chercheurs a longtemps été de savoir si un ordinateur pourrait apprendre les règles générales d'une bonne sélection de cartes assez bien pour faire des suppositions intelligentes sur un ensemble totalement nouveau, sans jamais avoir vu une seule sélection de cet ensemble.
Un chercheur nommé Brian Ward a abordé ce problème avec un nouveau système appelé DraftFM. Au lieu d'essayer de mémoriser des cartes spécifiques ou d'attendre que les données s'accumulent, ce système a été entraîné sur près de 150 millions de choix faits par des joueurs humains à travers 29 ensembles de cartes différents sur plusieurs années. L'innovation clé réside dans la façon dont l'ordinateur perçoit les cartes. Plutôt que de traiter chaque carte comme un nom unique à mémoriser, le système décompose chaque carte en une liste de ses caractéristiques physiques et écrites : sa couleur, son coût, son type et le texte de ses règles. Il utilise également une compréhension linguistique pré-entraînée pour lire la description de la carte. En apprenant de milliers d'ensembles différents, le système a appris à reconnaître les schémas de ce qui rend une carte précieuse sur la base de ces seules caractéristiques. Il ne connaît pas le nom d'une carte ni l'ensemble auquel elle appartient ; il connaît seulement les caractéristiques qu'il peut voir. Cela lui permet d'observer une nouvelle carte qu'il n'a jamais rencontrée auparavant et de l'évaluer en fonction de la même logique qu'il a utilisée pour les cartes qu'il a étudiées des années auparavant.
Pour tester si cette approche fonctionne réellement, le chercheur a mis de côté trois ensembles de cartes entiers de l'ensemble des données d'entraînement. Ces ensembles étaient totalement inconnus du modèle. Lorsqu'on a demandé au système de prédire ce que les joueurs humains choisiraient de ces nouveaux ensembles, il a performé avec une précision surprenante. Lors du premier choix d'un draft, où un joueur a des dizaines d'options et où la chance de deviner correctement par simple hasard n'est que d'environ 7 pour cent, le modèle est tombé d'accord avec les choix humains environ 51 à 60 pour cent du temps. C'est une avancée significative, car les modèles informatiques précédents ne pouvaient même pas tenter cette tâche avant que les ensembles n'aient été joués pendant des semaines. Le système a également correctement identifié que les joueurs humains ont tendance à être les plus cohérents au tout début d'un draft, lorsqu'ils ont le plus de liberté de choix, et que leurs choix deviennent plus prévisibles à mesure que le pool de cartes disponibles rétrécit.
Le véritable test de ce système fut la sortie d'un nouvel ensemble basé sur Le Hobbit. Avant même que l'ensemble ne soit disponible pour la pratique sur la plateforme numérique où la plupart des gens pratiquent le draft, le chercheur a utilisé DraftFM pour générer un classement complet de chaque carte de l'ensemble. Ce classement était scellé et publié avec un horodatage numérique environ 36 heures avant la mise en ligne de l'ensemble, garantissant que les prédictions ont été faites sans aucune connaissance de la manière dont les cartes allaient réellement performer. Le chercheur a ensuite comparé les classements générés par l'ordinateur aux critiques de pré-sortie de six experts humains indépendants, bien connus dans la communauté des cartes. Les résultats ont montré que les classements de l'ordinateur concordaient avec les experts humains autant que les experts concordaient entre eux. Bien que l'ordinateur n'ait pas surpassé les humains, il a réussi à atteindre leur niveau de consensus sans avoir joué une seule partie ni vu un seul journal de draft.
Ce travail démontre qu'un ordinateur peut apprendre la logique sous-jacente d'un jeu complexe assez bien pour faire des prédictions éclairées sur un contenu entièrement nouveau. Il prouve que la capacité de généraliser à partir d'expériences passées vers des inconnus futurs est possible, même dans un domaine aussi complexe que le draft de cartes. Le système n'est pas parfait ; il est uniformément trop confiant dans ses prédictions, et il éprouve encore des difficultés à égaler la nuance des experts humains lorsque les choix sont difficiles. Cependant, il établit une nouvelle référence pour ce qui est possible au jour zéro. En traitant les cartes comme des collections de caractéristiques plutôt que comme des noms mémorisés, le modèle comble le fossé entre l'apprentissage de l'histoire et la navigation dans l'inconnu. Le chercheur s'est engagé à publier une étude de suivi une fois que les données de draft réelles pour le nouvel ensemble seront disponibles, ce qui révélera si les prédictions du modèle tiennent face à la réalité de la façon dont les cartes se jouent réellement. D'ici là, ce travail constitue une démonstration que les machines peuvent apprendre le jeu de la prédiction, même lorsque les règles sont en train d'être écrites pour la première fois.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.