[학회후기]

화창한 날씨에 코엑스에서 열린 한국 BI 데이터마이닝 학회에 참석했다. 'AI로 진화하는 BI의 미래'라는 주제로 진행되었고, 많은 회사와 학교에서 준비한 발표가 많았다. 처음 BI 학회에 참석하여, 학교에서 개최되는 학술대회와는 분위기가 많이 다른 점을 볼 수 있었다. 주로 참석했던 대한산업공학회에 비하여 역시 데이터마이닝 분야에 집중된 연구들을 볼 수 있는 점이 가장 좋았고, 다양한 분야의 발표자들과 많은 청중이 큰 차이점이었다. 나는 연구실에서 진행 중인 스타크래프트 인공지능 봇 개발 프로젝트 내용 중 전투 가치 판단을 위한 기계학습모델 구축을 주제로 발표했다.

[발표후기]

발표제목은 ‘합성곱신경망을 이용한 스타크래프트 경기승패예측’이다. 참 재미있는 주제다. 요즘 말하는 AI에 가장 가까운 연구라고 생각하고, 즐겁게 연구하고 있는 분야다. 이번 학회발표까지의 연구목적은 최종적으로 계획하고 있는 프로젝트의 분석절차를 단계별로 테스트하며, 가능성을 확인하고 추후 연구 진행 방식에 대해 고려하고자 함이다. 학교에서 진행되는 학술대회와 달리 다양한 분야의 연구자가 참여하고, 많은 청중 앞에서 처음 발표하는 만큼 최선을 다해 준비했다. 최대한 쉽고 간결한 발표 진행을 위한 슬라이드를 작성하였고, 많이 연습했다. 발표는 스타크래프트 게임의 어려움과 인공지능 봇 개발 수준, 연구목적과 함께 어떤 데이터를 사용하여 합성곱 신경망에 모델링 했는지 중점적으로 발표했다.

발표내용은 다음과 같다. 바둑게임에서 인공지능 기술의 힘을 보여준 이래로, 스타크래프트 게임에서도 인공지능 봇 연구개발이 활발히 이루어지고 있다. 하지만 스타크래프트 게임은 실시간 전략 시뮬레이션 게임 (RTS, Real-time Strategy Game)으로 경우의 수가 무한대이며 다양한 목적을 동시에 수행해야 하는 어려운 게임으로, 실시간 의사결정을 수행하는 스타봇 개발에 기계학습 기법을 적용할 필요가 있다. 기계학습적용연구는 주로 상대방 전략예측과 유닛컨트롤에 대한 연구가 주를 이루고 있는데, ‘전투가치판단’이라는 연구를 소개하고자 한다. 전투가치판단은 현재의 아군 및 적군의 전력을 파악한 후, 전투시작직전 전투를 했을 때 최종적으로 경기를 승리로 이끌 수 있을지 판단하는 것이다. 그리고 판단의 기준을 제시하기 위해 경기승패예측 모델이 필요하다. 실제 프로게이머 리플레이 동영상 데이터를 사용하였고, 아군과 적군의 유닛 및 건물의 위치정보를 반영할 수 있는 합성곱신경망에 적용하여, 가능성이 보이는 결과를 확인할 수 있었다. 추후 연구로써, 현재 부여한 가정을 극복하기 위해 다양한 시도를 해야한다.

질문: 핵심전투시점을 정의하는 것이 왜 중요하고, 어떻게 정의했는가.

답변: 우리가 사용하고 있는 Replay 데이터는 1초에 두 개의 frame을 가져오고, 한 frame데이터 내에는 그 시점의 아군과 적군의 건물 및 유닛별 상태 데이터(X)이다. 레이블(Y)은 경기의 승/패로, 모든 시점의 데이터가 경기승패를 설명하기에 충분하지 않다. 그래서 핵심전투시점을 정의하는 것이 필요하고, 아군과 적군의 인구감소가 크고, 공격하고있는 유닛의 숫자가 많은 시점을 핵심전투시점이라고 정의했다,

위 질문에 관한 내용은 질문자뿐만 아니라 많은 사람들이 궁금해 했다. 그 내용을 발표하며 설명했다고 생각했지만 충분하지 않았던 부분이라고 생각한다. 많은 연습의 연습이 더해져야 하겠다. 이번 학회발표를 통해 많은 연구자 앞에서 내 연구를 소개하는 값진 경험을 얻었다. 이는 앞으로 연구하는데 좋은 밑거름이 될 것으로 생각한다.

[청취후기]

‘강화학습을 이용한 스타크래프트 유닛 컨트롤’

우리 연구실 박영준 선배가 발표한 내용이다. 프로의 모습을 볼 수 있었다. 같이 프로젝트를 수행하고 있어 연구내용은 익숙했다. 연구내용을 효과적으로 전달하기 위해 강화학습을 적용한 유닛 컨트롤 동영상을 첨부했으나 제대로 작동되지 않았는데, 그때 당황하지 않고 매끄러운 설명과 함께 능숙하게 대처하는 발표 자세가 매우 인상 깊었다. 많은 발표 경험과 연습의 필요성을 알 수 있었던 시간이었다.

‘Emotion Recognition from Text Using Deep Neural Networks’

학부시절 감정추정에 관하여 졸업프로젝트를 진행한 경험이 있어 반가운 주제였다. 텍스트의 감정을 인식하는 주제로 여러 뉴럴네트워크 계열의 모델을 적용하여 비교실험을 진행한 연구내용이었다. 관측치가 텍스트이며, 레이블은 감정이다. 감정은 긍정과 부정으로 나눌 수 있고, 화남, 불쾌함, 즐거움, 슬픔 등으로 세분화할 수 있다. 하지만 여러 감정의 기준을 사람도 정의해놓을 수 없고, 개인차가 크다. 이처럼 감정인식이라는 연구주제는 흥미롭지만, 매우 어려운 연구 분야라고 생각한다. 여러 어려움 중 가장 큰 한계점은 학습한 레이블에 대한 신뢰도이다. 사람마다 똑같은 말을 해도 말하는 사람의 감정과 의도는 다를 수 있고, 전후 맥락과 상황인지가 필요하다. 또한, 사람의 감정을 표현하는 요소는 텍스트와 음성, 그리고 얼굴표정 등 여러 가지가 있고, 그 중 텍스트는 감정을 표현하는 데 5%밖에 되지 않는다는 연구결과도 있다. 그런 점에서 감정인식 연구는 모델링의 관점보다 사용자 특성파악을 어떻게 효과적으로 할 수 있는지에 대한 연구가 우선시되어야 한다고 생각한다.

 ​