Resumo:

O jogo do gênero Multiplayer Online Battle Arenas (MOBA), apresenta partidas caracterizadas por confrontos estratégicos em tempo real. A capacidade de prever a vitória em tempo real nesses contextos é de considerável importância prática para o desenvolvimento de ferramentas de suporte para jogadores e equipes profissionais, bem como para a criação de sistemas analíticos que auxiliem na compreensão da dinâmica do jogo. Este trabalho realizou a revisão da literatura acadêmica sobre a previsão de vitórias e eventos em jogos MOBA. Essa investigação identificou uma ausência de estudos analisando o modelo Transformer para previsão de vitória durante a partida. Para investigar o potencial do modelo Transformer na predição de vitórias em jogos MOBA, foram concebidas duas arquiteturas distintas. A primeira aborda cada atributo da partida como um token, análogo a palavras em tarefas de linguagem natural, permitindo avaliar o impacto da troca da ordenação dos atributos na tarefa de predição de vitória. A segunda trata-se do FT-Transformer, o qual otimiza o tratamento de dados tabulares ao preservar a estrutura inerente da tabela e emprega embeddings específicos por coluna, facilitando a identificação de interações entre atributos sem depender de uma sequência pré-definida. Os experimentos desse trabalho abordaram duas bases de dados públicas do jogo League of legends, uma oriunda de partidas profissionais de torneios e outra de partidas ranqueadas. Para ambas as versões do modelo Transformer realizou o estudo dos hiperparametros adequados para as bases de dados. O FT-Transformer apresentou desempenho superior em ambas as bases, destacando-se frente aos demais métodos avaliados em relação à acurácia, revocação e F1-score. Enquanto a outra versão do Transformer, embora demonstre a influência da estrutura dos atributos, apresentou os piores resultados para as mesmas métrica