DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
DraftFM è un modello di base che consente il drafting "day-zero" in Magic: The Gathering valutando carte sconosciute utilizzando esclusivamente i loro attributi pubblici e il contesto del draft, raggiungendo prestazioni di livello esperto senza fare affidamento su dati storici di selezione o sull'identità delle carte.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dei giochi di carte competitivi, esiste una sfida unica che sorge nel momento in cui un nuovo set di carte viene rivelato, ma prima che chiunque abbia iniziato a giocarci. Immaginate un gruppo di giocatori che si riunisce per costruire mazzi da una nuova scatola di centinaia di nuove carte. Devono decidere, uno alla volta, quali carte tenere e quali passare al giocatore successivo, pur non sapendo nulla di come quelle carte si comporteranno nelle partite reali. Questo è il problema del "giorno zero". Per decenni, i programmi informatici progettati per aiutare i giocatori a compiere queste scelte sono rimasti bloccati in attesa. Si basano sull'apprendimento dalle partite passate, ma quando arriva un nuovo set, non ci sono partite passate da cui imparare. I dati semplicemente non esistono ancora. Ciò lascia i giocatori a fare affidamento interamente sull'intuizione umana e sulle opinioni degli esperti, che, pur essendo preziose, sono soggettive e variano da persona a persona. La domanda per i ricercatori è stata a lungo se un computer potesse apprendere le regole generali di una buona selezione di carte abbastanza bene da fare ipotesi intelligenti su un set completamente nuovo, senza aver mai visto una singola scelta tratta da esso.
Un ricercatore di nome Brian Ward ha affrontato questo problema con un nuovo sistema chiamato DraftFM. Inveve di cercare di memorizzare carte specifiche o di aspettare che i dati si accumulino, questo sistema è stato addestrato su quasi 150 milioni di scelte fatte da giocatori umani attraverso 29 diversi set di carte nell'arco di diversi anni. L'innovazione chiave è il modo in cui il computer vede le carte. Invece di trattare ogni carta come un nome unico da memorizzare, il sistema la scompone in un elenco delle sue caratteristiche fisiche e scritte: il suo colore, il suo costo, il suo tipo e il testo delle sue regole. Utilizza anche una comprensione del linguaggio pre-addestrata e fissa per leggere la descrizione della carta. Imparando da migliaia di set differenti, il sistema ha imparato a riconoscere i modelli di ciò che rende una carta preziosa basandosi solo su queste caratteristiche. Non conosce il nome di una carta né a quale set appartenga; conosce solo le caratteristiche che può vedere. Ciò gli consente di guardare una carta completamente nuova che non ha mai incontrato prima e di valutarla in base alla stessa logica utilizzata per le carte che ha studiato anni prima.
Per testare se questo approccio funzioni effettivamente, il ricercatore ha tenuto da parte tre interi set di carte dalla base di dati di addestramento. Questi set erano completamente sconosciuti al modello. Quando al sistema è stato chiesto di prevedere cosa avrebbero scelto i giocatori umani da questi nuovi set, ha ottenuto risultati con una precisione sorprendente. Nella prima scelta di un draft, dove un giocatore ha decine di opzioni e la possibilità di indovinare correttamente per puro caso è solo di circa il 7 percento, il modello concordava con le scelte umane circa il 51-60 percento delle volte. Questo è un salto significativo, poiché i precedenti modelli informatici non potevano nemmeno tentare questo compito finché i set non fossero stati giocati per settimane. Il sistema ha anche identificato correttamente che i giocatori umani tendono a essere più coerenti proprio all'inizio di un draft, quando hanno la maggior libertà di scelta, e che le loro scelte diventano più prevedibili man mano che il pool di carte disponibili si restringe.
La vera prova di questo sistema è arrivata con il rilascio di un nuovo set basato su Il Signore degli Anelli. Prima ancora che il set fosse disponibile per il gioco sulla piattaforma digitale dove la maggior parte delle persone effettua i draft, il ricercatore ha utilizzato DraftFM per generare una classifica completa di ogni carta del set. Questa classifica è stata sigillata e pubblicata con un timestamp digitale circa 36 ore prima che il set diventasse operativo, garantendo che le previsioni fossero state fatte senza alcuna conoscenza di come le carte si sarebbero effettivamente comportate. Il ricercatore ha poi confrontato le classifiche generate dal computer con le recensioni pre-rilascio di sei esperti umani indipendenti, molto noti nella comunità delle carte. I risultati hanno mostrato che le classifiche del computer concordavano con quelle degli esperti umani tanto quanto gli esperti concordavano tra di loro. Sebbene il computer non abbia superato gli umani, è riuscito a raggiungere il loro livello di consenso senza aver giocato una singola partita o visto un singolo registro di draft.
Questo lavoro dimostra che un computer può apprendere la logica sottostante di un gioco complesso abbastanza bene da fare previsioni informate su contenuti completamente nuovi. Dimostra che la capacità di generalizzare dalle esperienze passate verso l'ignoto futuro è possibile anche in un dominio intricato come il draft di carte. Il sistema non è perfetto; è uniformemente eccessivamente sicuro nelle sue previsioni e fatica ancora a eguagliare la sfumatura degli esperti umani quando le scelte sono difficili. Tuttavia, stabilisce un nuovo punto di riferimento per ciò che è possibile al giorno zero. Trattando le carte come collezioni di caratteristiche piuttosto che come nomi memorizzati, il modello colma il divario tra l'apprendimento dalla storia e la navigazione nell'ignoto. Il ricercatore si è impegnato a pubblicare uno studio di follow-up una volta che i dati reali del draft per il nuovo set saranno disponibili, il che rivelerà se le previsioni del modello reggeranno alla realtà di come le carte si giocano effettivamente. Fino ad allora, l'opera rimane una dimostrazione del fatto che le macchine possono imparare a giocare al gioco della previsione, anche quando le regole vengono scritte per la prima volta.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.