본 논문은 비디오 게임 산업과 같은 산업 환경에서 인간과 유사한 AI 에이전트를 제작하기 위해 샘플 효율적인 딥 강화 학습(DRL) 방법을 제안합니다. 제한된 리소스를 가진 게임 스튜디오를 위해, 대규모 모델을 사용하는 대신 사전 수집된 데이터를 활용하고 네트워크 유연성을 높여 가치 기반 DRL의 샘플 효율성을 향상시킵니다. EA SPORTS FC 25 게임의 골키퍼 에이전트를 훈련시켜 성능을 평가했으며, 기존 AI보다 10% 더 높은 공 막기 성공률을 보였습니다. 또한, 제안된 방법은 표준 DRL 방식보다 50% 더 빠르게 에이전트를 훈련시키며, 전문가 평가를 통해 더욱 인간적인 게임 플레이를 제공하는 것으로 나타났습니다. 이 방법은 차기 시리즈에서 기존의 수작업 AI를 대체할 예정입니다.
시사점, 한계점
•
시사점:
◦
비디오 게임 산업에서 실용적인 AI 개발을 위한 샘플 효율적인 DRL 방법론 제시.
◦
실제 게임 환경(EA SPORTS FC 25)에서 기존 AI보다 우수한 성능 입증.
◦
표준 DRL 방식 대비 훈련 속도 향상.
◦
전문가 평가를 통해 인간적인 게임 플레이 가능성 확인.
◦
향후 게임 시리즈에 적용될 가능성 제시.
•
한계점:
◦
제안된 방법의 일반화 가능성(다른 게임 장르 및 환경에서의 적용)에 대한 추가 연구 필요.
◦
구체적인 기술적 세부 사항(사전 수집 데이터 활용 방식, 네트워크 유연성 증가 방법 등)에 대한 추가 정보 부족.
◦
단일 게임(EA SPORTS FC 25)에서의 평가만으로는 일반적인 결론을 도출하기 어려움.
