Finding winning team compositions by jointly modeling player proficiency and team congruency in multiplayer online games
Questo articolo presenta un framework di deep learning basato su un'architettura transformer che analizza 320 milioni di partite di League of Legends per predire le composizioni vincenti dei team modellando congiuntamente la competenza dei singoli giocatori e la congruenza dei ruoli di squadra, superando significativamente gli approcci precedenti.
Articolo originale sotto licenza CC BY 4.0 (https://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 disordinato e fugace dei team temporanei, il successo spesso dipende da una singola, difficile scelta. Quando un gruppo di sconosciuti si riunisce per un progetto a breve termine, un torneo di un fine settimana o una partita amatoriale, affronta una tensione fondamentale. Dovrebbe ogni persona assumere il compito specifico in cui è personalmente più brava, o dovrebbe ricoprire i ruoli di cui il gruppo ha più bisogno per funzionare come un insieme? Questi due obiettivi non sempre coincidono. Un team potrebbe essere composto da individui che sono esperti nei propri lavori, eppure fallire perché le loro abilità si sovrappongono troppo o lasciano lacune critiche. Al contrario, un team potrebbe avere un perfetto equilibrio di ruoli ma mancare dell'esperienza specifica per eseguirli. Questo dilemma, noto nella ricerca come l'equilibrio tra competenza individuale e congruenza del team, è da tempo oggetto di studio nelle scienze organizzative, eppure è rimasto difficile da misurare o prevedere prima che un team inizi il proprio lavoro.
Un nuovo studio pubblicato in una rivista scientifica affronta questo problema osservando uno degli ambienti più grandi e strutturati in cui i team temporanei si formano ogni giorno: il mondo del gaming competitivo online. I ricercatori si sono concentrati su League of Legends, un popolare gioco in cui due squadre di cinque sconosciuti vengono accoppiate per competere. In questa arena digitale, ogni partita è un nuovo inizio. Ai giocatori vengono assegnati ruoli specifici, come un difensore, un combattente o un personaggio di supporto, e devono scegliere tra un vasto roster di personaggi giocabili per ricoprire tali ruoli. Il fornitore del gioco utilizza un sistema sofisticato per garantire che i livelli di abilità complessivi delle due squadre avversarie siano approssimativamente uguali, il che significa che l'esito di un incontro è raramente deciso dal fatto che un team sia semplicemente "migliore" dell'altro. Invece, il vincitore è spesso determinato da quanto bene i cinque individui di ciascuna parte si adattino ai rispettivi incarichi e da quanto bene le loro scelte si completino a vicenda.
Per capire cosa renda un team vincente, i ricercatori hanno analizzato un enorme dataset contenente i record di circa 320 milioni di partite che coinvolgono 26 milioni di partecipanti unici. Questa scala ha permesso loro di esaminare la cronologia di ogni giocatore, tracciando quali personaggi aveva giocato, quali ruoli aveva ricoperto e se avesse vinto o perso in passato. L'obiettivo era costruire un sistema informatico capace di guardare un team proprio prima che una partita iniziasse — dopo che ai giocatori erano stati assegnati i ruoli e avevano selezionato i loro personaggi, ma prima che il gioco iniziasse effettivamente — e prevedere quale team avrebbe vinto. I ricercatori volevano sapere se fosse possibile identificare una composizione vincente comprendendo due cose simultaneamente: quanto bene ogni giocatore corrispondesse al proprio incarico attuale in base alla propria esperienza passata, e quanto bene i cinque giocatori lavorassero insieme come un'unità.
Il team ha sviluppato un nuovo tipo di framework di intelligenza artificiale per risolvere questo problema. Invece di dare a ogni giocatore un singolo punteggio statico basato sulla sua abilità generale, il sistema analizzava la cronologia di ogni giocatore nel contesto della sua situazione attuale. Si poneva domande specifiche: Come ha performato questo giocatore con questo specifico personaggio in questo specifico ruolo in passato? In che modo il suo successo passato con questo personaggio cambia a seconda dell'attuale versione del gioco? Il sistema prendeva poi questi approfondimenti individuali e li combinava per vedere come i cinque giocatori di un team interagissero tra loro e come si confrontassero con i cinque giocatori della squadra avversaria. Prestava particolare attenzione ai confronti diretti, come ad esempio come il difensore di un team si confrontasse con il difensore dell'altro, considerando al contempo il team come un gruppo completo e interconnesso.
I risultati hanno mostrato che questo nuovo approccio era significativamente migliore nel prevedere i vincitori rispetto a qualsiasi metodo precedente. I ricercatori hanno confrontato il loro sistema con tecniche più vecchie che si limitavano ad aggiungere i rating di abilità dei giocatori, o metodi che osservavano la composizione del team senza considerare la storia individuale. Il nuovo sistema, che ha appreso dalla vasta cronologia delle scelte e degli esiti dei giocatori, ha raggiunto un'accuratezza molto più elevata. Ha dimostrato che conoscere il livello di abilità generale di un giocatore non era sufficiente; il sistema doveva comprendere l'adattamento specifico tra un giocatore e il suo ruolo attuale, e come tale adattamento interagisse con il resto del team.
Lo studio ha anche rivelato che i due fattori — l'adattamento individuale e l'equilibrio del team — non erano solo ingredienti separati che potevano essere mescolati in qualsiasi ordine. Erano profondamente interconnessi. Quando i ricercatori hanno analizzato i dati, hanno scoperto che un team con giocatori altamente qualificati ma scarsamente coordinati ai propri ruoli spesso perdeva contro un team con giocatori di abilità moderata ma perfettamente bilanciati. Viceversa, un team perfettamente bilanciato poteva fallire se i singoli giocatori mancavano dell'esperienza specifica necessaria per i compiti assegnati. Le previsioni più efficaci derivavano da un sistema che trattava questi due fattori come un unico problema unificato, imparando come il valore dell'esperienza passata di un giocatore cambiasse a seconda del team in cui si trovava e dell'avversario che affrontava.
Analizzando il funzionamento interno del loro sistema, i ricercatori hanno scoperto che esso era stato in grado di riconoscere schemi che gli esseri umani potrebbero ignorare. Ad esempio, il sistema ha organizzato i migliaia di diversi personaggi giocabili in gruppi basati su come funzionavano nel gioco, anche se non gli era mai stato detto quali fossero le loro funzioni. Ha anche imparato come il gioco cambiasse nel tempo, riconoscendo che una strategia che funzionava in una versione precedente del gioco potrebbe non funzionare in una più recente. Questa capacità di adattarsi a contesti mutevoli e di pesare la storia individuale rispetto alla dinamica del team ha permesso al sistema di vedere la "forma" di un team vincente prima ancora della prima mossa.
Le conclusioni suggeriscono che il successo di un team temporaneo non è semplicemente la somma delle sue parti. È una relazione complessa tra chi sono le persone, cosa viene chiesto loro di fare e come questi ruoli si incastrano tra loro in quel momento. Sebbene lo studio sia stato condotto nel contesto specifico di un videogioco, i principi emersi offrono un nuovo modo di pensare al lavoro di squadra nel mondo reale. Che si tratti di una startup, di una squadra sportiva o di un gruppo di progetto, la ricerca indica che i team efficaci non sono solo collezioni di individui talentuosi, ma configurazioni accuratamente costruite dove l'esperienza specifica di ogni membro si allinea con il bisogno collettivo. Lo studio conclude che per comprendere veramente il potenziale di un team, bisogna guardare alla storia dei suoi membri non in isolamento, ma nel contesto specifico del team che hanno formato.
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.