1/25 금요일에 엔씨소프트에서 AI day 행사를 개최하여 참석하게 되었다. 인사말과 마지막 추첨행사를 제외하면 대부분 강연 발표들로 이루어진 행사였다. 첫 인사말에서 꼭 게임 관련하여 사용할 수 있는
AI 뿐만이 아닌 전반적인 문제 해결 도구로서 AI를 연구하고
있다고 한 만큼 강연들 중에는 게임과 직접적인 관련이 있어 보이는 것들도 있었고, 그렇지 않은 주제들도
있었다. AI와 관련된 연구를 하는 많은 연구실들이 참여하였고, 우리 학교에서도 세 개의 연구실이 참석하였다. DMQA소속으로 참여하는 첫 외부 행사였으며, 좋은 기회를 얻은
것 같아 감사했다. 이번 행사에서 진행하는 발표 중에는 자신의 연구를 발표하시는 분들도 있었고, 전반적인 연구동향이나 흥미로운 주제로 조금 더 보편적인 발표를 하시는 분들도 있었으며 많은 연구실들이 AI에 관심이 있고, 연구를 진행하고 있다는 것을 알 수 있는 행사였다.

Coloring with words: guiding Image
Colorization Through Text-based Palette Generation 방효진,
유승주 고려대학교

 기본적인
아이디어는 단어들에 따라 색을 매칭하여 글이 주는 분위기를 색들의 조합(팔레트)으로 나타내는 것이다. 거기에 나아가 흑백 사진을 그 색조합으로 다시
색칠하는 것까지 보여주었다. 단어와
색의 매칭은 기본적으로 전문가들의 색 조합을 크롤링 한 정보를 바탕으로 이루어졌다. 전문가들이 5가지의 색조합을 저장할 때 단어들로 저장하는데, 그 정보들과 워드
임베딩을 이용하여 새로운 단어들에 대해서도 색조합을 찾는다. 또한 흑백사진을 채색할 때는 U-net을
이용하여 흑백사진에 팔레트의 색상만을 갖고 다시 채색을 하였다. 사람들이
무언가를 표현할 때 사용하는 언어로 정확히 표현하는 것은 매우 힘든 일이다. 디자인을 맡기거나 실제로
디자인 할 때 추상적인 무언가를 전달하는 의사소통은 잘 되지 않는 경우가 많다. 하지만 이러한 팔레트와
사진을 통해 더 정확하게 표현하고 이해할 수 있게 된다. 더 다양한 색과 질감 등이 추가된다면 좋을 것 같다. 시각적 발표 요소가 많고 실제로 사용해 보고
싶어서 기억에 남는 강연이었다.

Recent advances in recommender systems
using deep learning 이종욱 교수 성균관대학교

 추천시스템에
대한 전반적인 내용들을 설명하였다. 딥러닝 관련 연구들이 진행되면서 추천 시스템에도 딥러닝을 적용한
연구들이 많아졌고 지금은 매우 다양한 방법들의 연구들이 있다고 한다. 추천시스템의 경우 수많은 선택지
중에 유저가 사용한 기록이 차지한 비중이 매우 작고, 또한 추천되는 아이템도 매우 적은 비중이기 때문에
매우 sparse한 데이터로 나타나며 딥러닝을 사용했을 때 비교적 높은 정확도를 나타내게 되었다. 영화 추천의 경우에도 모든 영화에 비해서 유저가 평가한 영화는 극히 일부일 것이며, 이것들을 가지고 추천을 하기는 쉽지 않다. 이 강연에서는 오토인코더를
이용하여 음악 플레이 리스트를 추천하는 연구를 보여주었으며, 어려운 내용들 보다는 이해하기 쉬는 개념들과
발전해 온 방향 위주로 순서대로 잘 설명해 주었다. 추천시스템 또한 사람들이 서비스를 이용할 때 제일
쉽게 체감할 수 있는 AI시스템이며 사용자의 이용 데이터만을 통해 무언가를 얻어낼 수 있다는 점에서
매력적인 것 같다.

AI Applications in StarCraft: Multiagent
Reinforcement Learning and Predictive Opponent Modeling 박영준, 강현구 고려대학교

  이번 발표는 연구실 선배님들이 StarCraft AI에 대해 연구한 발표였고 이전 강연들보다 많은 사람들이 들으러 왔다. 발표는 유닛 개개인을 컨트롤 하기 위한 강화학습 관련 발표와 상대방의 행동과 전략을 예측할 수 있는 부분 두
가지 부분으로 진행되었다. 강화학습에 대한 지식은 없었지만, 쉬운
설명 덕분에 어떤 개념으로 학습되는지 알 수 있었고, 단순화된 게임에 대한 예시를 통해 대략 어떤 결과가
나오는지 알 수 있었다. StarCraft의 경우에는 다양한 환경에서 multiagent들이
팀적인 피드백으로 학습시킬 수 있는 방법론이 필요하며, 액터 크리틱 기법을 사용하여 팀적인 피드백을
개개인의 피드백으로 나누어주어 학습할 수 있는 방법론에 대해 발표하였다. 두 번째 발표는 상대가 무엇을
하는지 볼 수 없는 상태에서 적은 정보만으로 어떤 것을 하는지 예측하는 연구였다. CNN을 이용하여
과거의 리플레이를 학습하여 예측하였으며 이러한 예측을 이용한다면 전략적으로 우위에 설 수 있다는 것을 AI대전을
통해 증명하였다. 실제로 StarCraft의 경우 생산과
컨트롤을 각각 다른 사람이 하는 게임모드가 있어 한 사람은 유닛만을 컨트롤하며 전투에 집중하고 다른 한 사람은 현재 얻은 정보를 토대로 어떤 빌드를
이용할 것인지 전략적인 방향을 정한다. 두 가지 측면에서 접근한 것이 인상깊었고 많은 고민을 하였다는
것을 느낄 수 있었다. 아직은 고려할 것이 매우 많아 강화학습을 이용한 AI가 쉽게 개발되지는 않지만 궁극적으로는 if-then만을 이용한
AI가 아닌 강화학습이 가진 장점을 잘 활용한 AI가 정말
강한 AI가 될 것 같다.