DraftFM: A FoundationModel for Day-Zero Drafting in Magic: The Gathering
O DraftFM é um modelo de fundação que possibilita o draft de "dia zero" em Magic: The Gathering ao pontuar cartas não vistas usando apenas seus atributos públicos e o contexto do draft, alcançando um desempenho de nível especialista sem depender de dados históricos de escolhas ou identidades de cartas.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo dos jogos de cartas competitivos, surge um desafio único no momento em que um novo conjunto de cartas é revelado, mas antes que alguém tenha jogado com elas. Imagine um grupo de jogadores reunidos para montar baralhos a partir de uma caixa nova de centenas de cartas novas. Eles devem decidir, uma a uma, quais cartas manter e quais passar para o próximo jogador, tudo isso enquanto não sabem nada sobre como essas cartas irão performar em jogos reais. Este é o problema do "dia zero". Por décadas, programas de computador projetados para ajudar os jogadores a tomar essas decisões ficaram estagnados. Eles dependem de aprender com jogos passados, mas quando um novo conjunto chega, não há jogos passados para aprender. Os dados simplesmente ainda não existem. Isso deixa os jogadores dependendo inteamente da intuição humana e de opiniões de especialistas, que, embora valiosas, são subjetivas e variam de pessoa para pessoa. A questão para os pesquisadores tem sido, há muito tempo, se um computador poderia aprender as regras gerais de uma boa seleção de cartas bem o suficiente para fazer suposições inteligentes sobre um conjunto completamente novo, sem nunca ter visto uma única escolha dele.
Um pesquisador chamado Brian Ward enfrentou esse problema com um novo sistema chamado DraftFM. Em vez de tentar memorizar cartas específicas ou esperar que os dados se acumulem, este sistema foi treinado com quase 150 milhões de escolhas feitas por jogadores humanos em 29 conjuntos de cartas diferentes ao longo de vários anos. A inovação principal é como o computador vê as cartas. Em vez de tratar cada carta como um nome único a ser memorizado, o sistema decompõe cada carta em uma lista de suas características físicas e escritas: sua cor, seu custo, seu tipo e o texto de suas regras. Ele também utiliza uma compreensão de linguagem pré-treinada e fixa para ler a descrição da carta. Ao aprender com milhares de conjuntos diferentes, o sistema aprendeu a reconhecer padrões no que torna uma carta valiosa baseando-se apenas nesses atributos. Ele não conhece o nome de uma carta ou a qual conjunto ela pertence; ele apenas conhece as características que consegue ver. Isso permite que ele olhe para uma carta novíssima que nunca encontrou antes e a pontue com base na mesma lógica que usou para as cartas que estudou anos atrás.
Para testar se essa abordagem realmente funciona, o pesquisador reteve três conjuntos inteiros de cartas dos dados de treinamento. Esses conjuntos eram completamente desconhecidos para o modelo. Quando o sistema foi solicitado a prever o que jogadores humanos escolheriam desses novos conjuntos, ele apresentou uma precisão surpreendente. Na primeira escolha de um draft, onde um jogador tem dezenas de opções e a chance de acertar por sorte aleatória é de apenas cerca de 7 por cento, o modelo concordou com as escolhas humanas aproximadamente 51 a 60 por cento das vezes. Este é um salto significativo, pois modelos de computador anteriores não podiam sequer tentar essa tarefa até que os conjuntos fossem jogados por semanas. O sistema também identificou corretamente que os jogadores humanos tendem a ser mais consistentes no início de um draft, quando têm mais liberdade de escolha, e que suas escolhas tornam-se mais previsíveis à medida que o pool de cartas disponíveis diminui.
O verdadeiro teste deste sistema veio com o lançamento de um novo conjunto baseado em O Hobbit. Antes mesmo de o conjunto estar disponível para jogo na plataforma digital onde a maioria das pessoas faz drafts, o pesquisador usou o DraftFM para gerar um ranking completo de cada carta do conjunto. Esse ranking foi selado e publicado com um carimbo de data/hora digital cerca de 36 horas antes do conjunto entrar ao vivo, garantindo que as previsões fossem feitas sem conhecimento de como as cartas realmente performariam. O pesquisador então comparou os rankings gerados pelo computador contra as análises de pré-lançamento de seis especialistas humanos independentes que são bem conhecidos na comunidade de cartas. Os resultados mostraram que os rankings do computador concordaram com os especialistas humanos tanto quanto os próprios especialistas concordavam entre si. Embora o computador não tenha superado os humanos, ele conseguiu atingir o nível de consenso deles sem ter jogado uma única partida ou visto um único registro de draft.
Este trabalho demonstra que um computador pode aprender a lógica subjacente de um jogo complexo bem o suficiente para fazer previsões informadas sobre conteúdo inteiramente novo. Prova que a habilidade de generalizar de experiências passadas para desconhecidos futuros é possível mesmo em um domínio tão intrincado quanto o draft de cartas. O sistema não é perfeito; ele é uniformemente excessivamente confiante em suas previsões e ainda tem dificuldade em igualar a nuance dos especialistas humanos quando as escolhas são difíceis. No entanto, ele estabelece uma nova linha de base para o que é possível no dia zero. Ao tratar as cartas como coleções de características em vez de nomes memorizados, o modelo preenche a lacuna entre aprender com a história e navegar pelo desconhecido. O pesquisador comprometeu-se a publicar um estudo de acompanhamento assim que os dados de draft reais do novo conjunto estiverem disponíveis, o que revelará se as previsões do modelo se sustentam contra a realidade de como as cartas realmente jogam. Até lá, o trabalho permanece como uma demonstração de que as máquinas podem aprender a jogar o jogo da previsão, mesmo quando as regras estão sendo escritas pela primeira vez.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.