NDC : Nexon Developers Conference
시작하기 전에
가볍게 들으려고 했었는데 처음 들어보는 컨퍼런스가 너무 재밌어서 5가지를 듣게 되었다. 그래두 5개 이상은 집중이 끊겨서 듣지 못했는데 나중에 관심 가는 건 몇 개 더 찾아서 들을 생각이다.
세션
환영사 - 오웬 마호니
오웬 마호니(영어: Owen Mahoney, 1966년~)는 현 넥슨의 대표이사이며 15년 간 게임 업계에 종사한 인물로, 2000년부터 2009년까지 일렉트로닉 아츠(EA)의 사업 개발 담당 수석 부사장을 역임하며, 대규모 M&A 및 사업 개발을 주도했다. - 위키백과
김정주 창업주에 대한 이야기를 많이 했다. 아무래도 금년 3월 달에 그런 일(한겨례 기사 링크)이 있었으니 고인을 높이고 애도를 표한 듯 하다.
김정주 회장은 혁신가였으며, 컨퍼런스에 참여한 사람들에게 김정주 회장처럼 혁신가가 되는 방법을 이야기해주었다.
인생은 짧고 순간순간이 중요하니, 시간을 최대한 현명히 사용하라는 메세지였다.
위대한 예술가는 위대한 과업에 시간을 할애하고 독창적인 결과물을 만들어내 세상을 더 나은 곳으로 만들 수 있다.
외국에서 개발자가 예술가라는 은유는 많이 쓰인다. 개발자인 자신을 예술가로서 생각한다면 참 마음에 와닿는 말이다.
NDC2022 - 키노트
키노트는 기조연설이라는 뜻으로 2022 NDC 방향을 잡아주는 연설로 소개하였다. 블록체인에 대해 넥슨이 어떻게 생각하는지 소개하였다. 그런데 그런 것 치곤 오늘 강연엔 블록체인이 별로 없었는데...
강대현은 2004년 넥슨코리아에 입사해 네오플 던전앤파이터 개발실장, 넥슨코리아 라이브 본부장을 역임하며 메이플스토리를 이끌었다. 현재 넥슨코리아 COO로 인텔리전스랩스와 블록체인 및 다양한 차기 신사업을 이끌고 있다. - NDC 소개
블록체인이 아직 불완전한 기술로 인식한다는 소개말로 시작했다.
사용자들은 블록체인하면 코인, 블록체인 게임은 P2E를 떠올린다고 한다. 어라? P2E가 뭐지? 필자도 코인은 알고있지만 P2E는 처음 들어서 블록체인 게임을 잘 모르고 있다는 사실을 체감했다.
P2E란 무엇일까? Play to Earn 의 축약어이다.
Play = (게임)을 하다, Earn = 돈 벌다
즉, 게임을 하면 돈이 벌리는 게임이란 것이다.
하지만, 강연자분은 P2E는 1년밖에 되지 않아 콘솔, 모바일 게임에 비해 콘텐츠가 약하다는 점을 시사했다. 또한, 블록체인이 P2E로 가능성을 국한해야 하는가에 대해 의문을 제기했다.
P2E가 블록체인의 전부일까? 넥슨도 초기엔 생각이 크게 다르지 않아 P2E로 인식한 모양이다. 그래도 블록체인 기술의 가능성을 닫는게 맞냐에 대해 상당한 회의감을 느껴 발상을 전환한 걸로 느껴진다.
온라인게임, 모바일게임 또한 부족한 기술로 초기엔 약세였으나 지금은 비약적 성장을 겪은 걸로 블록체인 기술도 성장 가능성을 생각해야한다는 주장을 뒷받침했다.
블록체인 가능성 자체에 포커스를 맞추며 블록 체인으로 열린 생태계를 구현한다고 했다.
열린 생태계?
레디 플레이어 원을 본 분이라면 알겠지만, 필자는 이게 열린 생태계를 잘 말해준 영화라고 생각한다. 게임에서 게임으로 통하는 길이 열려있는 세상. 강대현 발표자는 넥슨은 항상 가상세계를 진화시키는데 관심이 있고 넥슨이 처음부터 해왔던 일이라고 했다.
열린 생태계를 구현하고, 그 곳에서 가치의 저장은 NFT와 토큰을 통해 가치를 저장한다고 했다.
NFT는 독자들에게도 자주 핫했던 주제일 것이니 가치 저장에 가능한가에 대해선 많은 기사를 읽어볼 수 있겠다.
그럼 열린 생태계로 만드는 게임은 누구인가? 메이플스토리였다.
넥슨은 메이플스토리 IP를 걸고 블록체인의 신뢰를 얻고자했다. 발표에 의하면, 메이플스토리 위주로 블록체인 생태계를 구축하려는 시도를 하고 있다. 이번 MOD 개발자를 많이 뽑은 것도 그에 대비한 것인듯 보인다.
넥슨은 블록체인이 중앙집권을 탈피하는 기술임을 인지하고, 컨텐츠 지배자가 아닌 하나의 기여자로서 가기위해 노력하겠다고 했다.
현재 NFT가 소꿉놀이에 지나지 않는 한계점도 해결할 과제로 꼽았다.
창조적 전문가 VS 평범한 전문가
김경일 심리학과 교수는 사실 유튜브에서도 자주 알고리즘으로 스쳐 지나갔었다. NDC에도 출연한 걸 보고 반가운 얼굴이라고 생각했다.
아무래도 개발자 이야기보단 인문학적 이야기이니 빠르게 줄이겠다. 창조적 전문가와 평범한 전문가는 이 5가지 차이가 있다고 했다.
- 간격을 벌리고 순서를 바꾸는 작은 수고를 하는 전문가
- 사회적 위치에 상관없이 누구에게라도 질문을 받는 전문가
- 전문용어와 약어를 쓰지 않고도 자주 설명해 본 전문가
- 이타적인 전문가
- 창조적인 사람은 괴팍하며 이기적이라는 고정관념이 있지만, 훨씬 더 많은 수가 사람들에게 따뜻하다
인지심리학의 대가이시다보니 인지심리학 관점으로 전문가를 잘 설명해주신 것 같다.
블루 아카이브 “시나리오 연출” 이렇게 만들어 보았습니다
이정희는 현재 넥슨게임즈에서 MX스튜디오(블루 아카이브)의 시나리오팀 부팀장을 담당하고 있으며, 팀 관리를 포함하여 주로 블루 아카이브의 시나리오 연출 전반에 관련된 업무를 수행하고 있다. 이전에는 넥슨게임즈 오버히트 설정팀의 일원으로서 당시에도 시나리오 연출 전반 및 시나리오 라이팅으로 참여한 바 있다. - NDC
오랜만에 보는 페스나 사진에 감격
블루 아카이브 시나리오 연출은 예전 일본에서 유행했던 비주얼 노블 게임 연출을 따라가는 게임이다. 2D 시나리오 연출의 장점과 단점을 잘 설명하고, 블루 아카이브는 어떻게 단점을 해결해갔는지 잘 설명한 강연이었다고 생각한다.
강연자 분께서 2D 시나리오 연출을 설명하기 위해 투하트와 페스나 사진을 인용하셨다.
2D 시나리오 연출 장점
- 많은 양의 텍스트를 보여주기에 용이하다.
- 개발 비용이 낮음
- 연출에 요구되는 사양이 낮음
단점
- 한 화면에 표현가능한 캐릭터가 제한적이다.
- 시나리오용 컷신 리소스의 의존도가 높다.
- 텍스트의 길이 대비 연출의 높낮이가 크지 않아 지루함이 느껴진다.
아!루
단점3인 지루함을 없애기 위해 이모티콘(!?)과 애니메이션처럼 폴짝 뛰는 연출을 사용했다고 한다.
컷 분할 - 하나의 컷신 혹은 배경을 보여주더라도 더 다양하게 보여줄 수 있었다.
배경 이펙트도 추가.
강연을 들으며 2D 연출하나도 세심하게 신경쓴다는 느낌을 받을 수 있었다.
<카트라이더: 드리프트> 머신러닝을 활용한 위치 예측 개선
제목 본 순간 : 아니. 카트라이더 드리프트를 하는데 머신러닝이 필요해?
제목을 이해하고 든 생각 : 아~! <카트라이더:드리프트> 란 게임에 머신러닝 개발자가 필요한 거구나?
끝까지 보고 난 후 : 아니, 드리프트하는데 이런 인공지능이 들어간다고?
여러모로 생각해볼 수 있는 재밌었던 강연이었다. 실무에서 게임 개발자들이 얼마나 다재다능해야하는지 느낄 수 있었다(...)
김진호는 현재 니트로 스튜디오에서 <카트라이더: 드리프트>를 개발하고 있다. 현재 소속된 RND 유닛에서는 머신 러닝을 이용하여 유저 위치 예측 개선 작업, 매칭 퀄리티 개선 작업 등을 진행하고 있다. 이전에는 EA에서 <배틀필드 온라인>, 엔진스튜디오에서 MORPG <수신학원 아르피엘> 개발에 참여했다.
강연의 핵심은 레이턴시였다.
카트라이더는 0.001초로 승부가 결정나기도 하는 박진감 넘치는 레이싱 게임이다.
카트라이더에서 카트를 보여줄 때, 자신의 카트는 로컬에서 움직이지만, 상대방의 카트 위치값을 서버에서 받기 때문에 레이턴시가 발생하여 실시간으로 다른 참가자의 카트 위치를 정확하게 보여주기 힘들다. 하지만, 이는 0.001초만에 승부가 갈리는 카트라이더에서 치명적이다.
이를 해결하기 위해 콘솔 카트라이더에선 로컬에서 상대의 현재 카트 위치를 예측한다고 했다. 이를 이용하면 서버에서 값을 받아오지 않아도 상대방 카트가 움직이는 것처럼 보이게 할 수 있다. 이걸 바로 동속 예측 모델을 설정하여 개발했다고 한다. (물리 등가속도 법칙 이용)
하지만, 이는 레이턴시가 크면 긴 시간동안 이동한 거리를 예측해야하는 단점이 있다.
기존 카트라이더는 한국서버, P2P 통신으로 레이턴시가 짧다. 등속 운동 모델로 예측해도 자연스러운 플레이가 가능하다. 레이턴시 20ms 이하이다.
하지만, 모바일은 다르다. 전세계에 서비스하기 때문에 레이턴시가 50ms 이상인 문제가 생겼다.
팀장님께서 동속 예측 모델로 부족하니 강연자님께 인공지능을 적용해보라고 했다고 한다. 시켰다고 해내는 당신은... 강연자도 데이터를 통해 답을 구할 수 있지 않을까?라는 궁금증에서 프로젝트를 시작했다고 한다.
위치 예측 로직이 필요했다. 기존 로직에서도 잘 예측했으나, 드리프트 주행에서 잘
예측하는 모델을 찾아보기 시작했다고 한다. 레이턴시 100ms 정도에서 자연스러운 모델 만들기가 목표였다.
강연자에게 주어진 환경에선 연산량이 작아야 했다. 연산량이 많은 모델은 사용할 수 없었다. 어찌보면 당연하다. 필자가 봐도 프레임마다 그걸 계산한다고 생각하면 모바일 CPU는 끝장날게 뻔했다고 생각한다.
패킷을 보낸 시간이 포함되어 있어요.
위치
속도
각속도
방향
머신러닝 변수로 들어가는 건 이 4가지 요소를 생각했다고 한다.
머신러닝 모델 - 10가지도 넘는 모델을 고려했다는데서 정말 큰 노력이 느껴졌다...
그 다음부턴, 내가 들은대로 단편적인 지식으로 쭉 썼다. 다 기술하기엔 인공지능 개발자가 되어야할 것같은 어려움이 있었다...
첫번째 모델은 선형 회귀 모델 => 우리가 예측해야 하는 변화량. 변화량 공식
패킷 구조에서 보였듯이 속도 뿐 아니라 더 많은 피처들이 있었죠.
이 데이터는 일종의 시계열 모델이므로. ARIMA라는 모형을 사용했어요.
관련도가 높은 피처로는 속도 v와 속도의 변화량, 속도의 2차 변화량, 각속도가 있어요.
예측 시간에 따라 일정 패턴이 있을 것이라고 생각해서 그래프를 그려보았어요.
딥러닝 은닉 - LSTM, CNN 연산량이 너무 많다. CPU 활용이 드리프트할 때마다 높았다.
DNN 구조로 사용하였습니다. 활성화 함수로 ReLU를 사용합니다. Leaky ReLU를 사용했어요.
GLU 활성화 함수를 떠올렸는데요. 중요한 정보를 추출할 때 사용해요.
이처럼 많은 함수를 사용하는 과정을 따라가보니 정말 인내심으로 해낸 것 같았다.
마치며
컨퍼런스가 이렇게 재밌는 것일 줄 몰랐다. 앞으로도 계속 들어봐야겠다.
