Pomysły na badania e-sportowe: spostrzeżenia taktyczne – Esports

Dziesięć lat temu grałem w Team Fortress 2 jako członek jednej z 20 najlepszych europejskich drużyn. TF2 to fantastyczna strzelanka FPS, która wciąż pozostaje ulubieńcem fanów.

W tamtych czasach rywalizacja toczyła się głównie 6 na 6, a mecze były budowane wokół kontrolowania pewnych obszarów mapy. Dotarcie na środek mapy o sekundę przed przeciwną drużyną i lepsze zdrowie może już rozstrzygnąć rundę na twoją korzyść.

Jako zespół ćwiczyliśmy te tak zwane „rollouty” dla każdej mapy – każdy znał swoje dokładne miejsce i drogę do środka. Opracowaliśmy również jasne plany działania w pewnych typowych sytuacjach, często w zależności od zespołu, z którym mieliśmy się zmierzyć.

Po treningu zapisywałem naszą taktykę w moim podręczniku, który wciąż mam, a czasem z nostalgią przeglądam.

Taktyki zmieniające zasady gry

Solidna taktyka jest prawdopodobnie jednym z najważniejszych czynników sukcesu w sportach zespołowych – dotyczy to również e-sportu. Na najwyższym poziomie wiele elementów, takich jak mechanika czy celowanie, jest w większości wyrównanych. O meczu decydują niematerialne rzeczy, takie jak podejmowanie decyzji i spójność zespołu.

Wybór punktu do ataku w Counter-Strike lub ścigania neutralnego potwora w League of Legends może odwrócić losy gry, a prawidłowe działanie w przypadku upadku gracza może uratować drużynę przed straszną sytuacją. I oczywiście są wszechobecne taktyki otwarcia – wybór bohaterów jest prawdopodobnie najbardziej znany czytelnikom.

Potrzeba kwantyfikacji i oceny taktyki nie jest nowa. Profesjonalne zespoły już angażują pełnoetatowych analityków, a firmy takie jak Shadow oferują pomoc zespołom. Ale jak dotąd widzimy tylko małe kroki – a uczenie maszynowe może pomóc w głębszym zrozumieniu gier.

Na granicy

W rzeczywistości e-sporty mają znaleźć się na pograniczu analiz wspieranych przez sztuczną inteligencję. Sama dostępność wysokiej jakości danych e-sportowych umożliwia uzyskanie spostrzeżeń wykraczających daleko poza to, co mogą zaoferować tradycyjni komentatorzy i analitycy.

Weźmy na przykład piłkę nożną. Aby uzyskać jakikolwiek zautomatyzowany wgląd, ktoś musi najpierw przekształcić dane meczowe w formę do odczytu maszynowego. Zwykle oznacza to zapisywanie posiadanych piłek, podań, strzałów i pozycji zawodników. Dane są skąpe, a ich rozszerzenie jest pracochłonne.

Na przykład dodanie nowych funkcji oznacza ponowne obejrzenie wszystkich oznaczonych meczów. Nawet jeśli gracze noszą jakieś urządzenie śledzące, stworzenie pełnego zestawu danych wymaga znacznej pracy.

Chociaż jest to wykonalne w przypadku komercyjnie odnoszących sukcesy sportów, takich jak piłka nożna, jest to całkowicie nierealne w przypadku sportów niszowych. W tym miejscu e-sport może naprawdę zabłysnąć – istnieją już jako dane. Jeśli mamy odpowiedniego dostawcę danych, wiemy wszystko, co dzieje się w meczu – gdzie byli zawodnicy, kiedy strzelali i kogo uderzali, a nawet które przyciski naciskali.

W Bayes Esports mamy dostęp do oficjalnych danych wydawców, a to oznacza, że ​​zestaw danych może być tak bogaty, jak sobie tego życzymy. Jeśli stwierdzimy, że czegoś brakuje, wszystko, co musimy zrobić, aby dodać informacje, to dostosować niektóre wiersze kodu i ponownie uruchomić parser.

Tylko początek

Pewna praca w tym kierunku została już wykonana. W 2021 r. badacz danych Bayes Esports, Gustav Geißler, wykorzystał uczenie maszynowe do oznaczania różnych strategii Counter-Strike i sporządzania na ich temat statystyk.

Pojawiły się bardzo powszechne trendy, które skłoniły nas do dalszych badań. Wierzymy, że możliwe jest sporządzenie listy wszystkich otwarć CS:GO, tak jak w przypadku partii szachów, a następnie ocena ich sukcesu, kontrolując różne czynniki.

Analiza może następnie zagłębić się i skorelować rozpowszechnienie gier z gospodarką w grze lub poleganiem na niektórych członkach zespołu. Praktycznie nie ma ograniczeń co do tego, jak daleko można posunąć te badania.

Bardzo podobne badania są również możliwe w przypadku tytułów MOBA. Tutaj przyglądamy się mniej fizycznym ścieżkom, które gracze obierali na początku mapy, a bardziej celom, które wypełnili i zakupionym przedmiotom.

Posiadanie abstrakcji dla taktyk pozwala nam zbadać, jak zmieniają się one z drużyny na drużynę lub z patcha na patch dla tej samej drużyny. Pozwala nam to rozważyć różnice między stylami gry drużyn, ale także zmiany, które zachodzą w obrębie jednej drużyny po opublikowaniu znaczącej łatki.

A to wszystko to dopiero początek – a prac naukowych na te tematy jest zdecydowanie za mało. Gdzie absolwenci chcą zagłębić się w dane e-sportowe? Naprawdę chciałbym, aby w nadchodzących latach badania nad taktykami e-sportowymi kwitły.

Eksperci w dziedzinie uczenia maszynowego już rozpoczęli współpracę z naukowcami sportowymi, ale otwarte pytania badawcze pozostają liczne. Wiele aspektów gier nie jest jednoznacznie związanych z e-sportami – te bogate zbiory danych można wykorzystać do badania spójności zespołu i współpracy, które można następnie wykorzystać do stawiania hipotez na temat innych sportów offline.