AWS for Games - 게임만을 위한 AWS 서비스 길라잡이 (레벨 200) - 진교선, 솔루션즈 아키텍트, AWS ::: Game...Amazon Web Services Korea
AWS Gamekit은 인증, 상태저장과 같은 API 서비스를 손쉽게 구축할 수 있는 서비스입니다. AWS GameSparks는 클라이언트에 손쉽게 서버 로직을 추가하고 게임에 필수적인 컴포넌트들을 바로 사용할 수 있게 제공하는 서비스입니다. AWS Gamelift는 세션형 게임에 필요한 데디케이티드 서버를 관리해주는 강력한 서비스입니다. 본 서비스들의 소개 및 최신 업데이트를 전달해드립니다.
2021-07-16 잔디콘 시즌6 발표자료
- 베이지안 방법론에 Expected Loss를 활용하여 프로덕트 개선 속도를 높이는 방법에 대해 알아봅니다.
- 개발자 및 통계학 전공자가 아닌 분들을 대상으로 한 발표입니다. 다소 엄밀하지 못한 설명이 포함되었을 수 있으니 양해 부탁드립니다. 잘못된 부분은 답글로 달아주시면 감사하겠습니다.
원본 파일은 다음 링크로 다운로드 받으실 수 있습니다 :)
https://www.dropbox.com/s/zo1er99muu2oj5l/leeminho_til6_bayesian_abtest.pdf?dl=0
AWS for Games - 게임만을 위한 AWS 서비스 길라잡이 (레벨 200) - 진교선, 솔루션즈 아키텍트, AWS ::: Game...Amazon Web Services Korea
AWS Gamekit은 인증, 상태저장과 같은 API 서비스를 손쉽게 구축할 수 있는 서비스입니다. AWS GameSparks는 클라이언트에 손쉽게 서버 로직을 추가하고 게임에 필수적인 컴포넌트들을 바로 사용할 수 있게 제공하는 서비스입니다. AWS Gamelift는 세션형 게임에 필요한 데디케이티드 서버를 관리해주는 강력한 서비스입니다. 본 서비스들의 소개 및 최신 업데이트를 전달해드립니다.
2021-07-16 잔디콘 시즌6 발표자료
- 베이지안 방법론에 Expected Loss를 활용하여 프로덕트 개선 속도를 높이는 방법에 대해 알아봅니다.
- 개발자 및 통계학 전공자가 아닌 분들을 대상으로 한 발표입니다. 다소 엄밀하지 못한 설명이 포함되었을 수 있으니 양해 부탁드립니다. 잘못된 부분은 답글로 달아주시면 감사하겠습니다.
원본 파일은 다음 링크로 다운로드 받으실 수 있습니다 :)
https://www.dropbox.com/s/zo1er99muu2oj5l/leeminho_til6_bayesian_abtest.pdf?dl=0
우리는 지금 무엇을 하고있는지를 고민하나요? 아니면 무엇이 되어가고 있는지를 고민하나요? 네 맞습니다. 우리는 매년 무엇을 할지 고민합니다. 그런데 중요한것은 방향 즉 어디를 가고 있는지 입니다.
그래서 넷플릭스의 추천 시스템이 어디를 향해 가고 있는지를 살펴보고 추천시스템의 향해 가야할 Goal에 대하여 같이 이야기를 해보고자 합니다
Causal Inference : Primer (2019-06-01 잔디콘)Minho Lee
- 2019-06-01 잔디컨퍼런스(잔디콘, @구글캠퍼스) 에서 발표한 자료입니다
- 데이터를 통해 인과관계를 추론하는 방법에 대해서 알아봅니다
- Potential Outcomes, Causal Graphical Models 에 대해 간단히 살펴봅니다
- 슬라이드 내에 오타가 있습니다 ㅠㅠ
- 22p, 28p : Perkson's 가 아니라 Berkson's Paradox 입니다
Causal Inference KR 커뮤니티에서 진행한 발표입니다.
프로덕트 개발 조직의 데이터 분석가로 일하며 진행했던 인과추론 분석을 회고하는 내용입니다.
자료 조회가 안되실 경우 https://drive.google.com/file/d/1GAuAqggoxbX50EEwdzTaV4z4G0j8pLRf/view?usp=sharing 를 확인해주세요.
1. 인과추론에 빠져드는 이유
2. A/B 테스트의 현실, 왜 안된다고 할까?
3. 실험이 예상치 못한 지표를 침해했다
4. 기능을 늘리는 게 MAU 성장에 도움이 될까?
발표 영상: https://www.youtube.com/watch?v=Se62pRpk9A0
PDF로 받아서 보시면 더 깨끗하게 보실 수 있습니다.
지난 6개월 간 Diffusion model로 MVP를 만들면서 했던 최적화에 대한 고민과 MLops 경험을 공유합니다. 어제 DEVIEW에서 발표한 내용을 좀 더 이해하기 쉽게 수정했고, Diffusion model에 익숙치 않은 분들을 위해 전반부에 간략한 소개와 발전 과정을 정리했습니다.
최근에 Generative AI로 멋진 제품을 만들고자 하는 분들이 많아진 것 같습니다. 모두가 같은 기술에 접근할 수 있는 상황인 만큼 어떻게 다른 가치를 세상에 설득할 것인가 고민을 더 하게 되네요.
저희가 해왔던 시행 착오가 누군가에겐 도움이 되길 바랍니다!
https://symbiote-ai.com/
웹 3.0 시대에서의 블록체인, 메타버스 및 대체불가 토큰(NFT) on AWS 사례 공유 [레벨 200] - 발표자: 이이구, CTO, ...Amazon Web Services Korea
메타보라는 웹 3.0 시대에서의 블록체인, 메타버스 및 대체불가 토큰(NFT) 등의 사업을 본격적으로 추진해 나가고 있습니다. NFT 생태계 전반에 대한 이해와 향후 비전 그리고 AWS 상에서 NFT를 포함한 다양한 블록체인 기반의 서비스를 출시하면서 겪었던 경험을 공유해 드릴 예정입니다.
블록체인 기반의 종합 엔터테인먼트 플랫폼 CUBE를 통해 Netmarble 게임을 포함한 다양한 게임들의 온보딩을 수행한 경험을 공유하고, 게임 서비스와 블록체인 및 CUBE 플랫폼 연동을 위한 Middleware 서비스에 대한 인프라 구조 및 운영 노하우를 공유해드립니다.
7. 게임 스트리밍 서비스를 위한 아키텍처 - 언리얼 엔진을 중심으로! [레벨 300] - 발표자: 하흥수, 솔루션즈 아키텍트, AWS :...Amazon Web Services Korea
클라우드 기반의 게임 스트리밍은 플랫폼과 디바이스에 제한받지 않고 플레이할 수 있는 등 여러 가지 뛰어난 장점을 가진 게임 체인저로 관심받는 기술입니다. 그러나 네트워크 이슈와 높은 서버 비용 등으로 인해 구현하는 데 어려움을 겪는 경우가 많습니다. 본 세션에서는 게임스트리밍 서비스를 AWS에서 어떻게 구현할 수 있을지에 대해 간단한 아키텍처와 데모를 통해 소개해드립니다.
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)Dylan Ko
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS
[목차]
1. 그로스 해킹 제대로 바라보기
2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질
3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례
4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심
5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타
* 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드
[Agenda]
1. How to understand Growth Hacking properly
2. Not option but mandatory, Personalization's essence
3. Global innovation use cases of personalization using CDP(Customer Data Platform)
4. The core of Data Product, which is the base of all the above things
5. The methodology of service and data architecture design and other detail things to make a well-made data product
#그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
by Harald Steck (Netflix Inc., US), Roelof van Zwol (Netflix Inc., US) and Chris Johnson (Spotify Inc., US)
Slides of the tutorial on interactive recommender systems at the 2015 conference on Recommender Systems (RecSys).
Interactive recommender systems enable the user to steer the received recommendations in the desired direction through explicit interaction with the system. In the larger ecosystem of recommender systems used on a website, it is positioned between a lean-back recommendation experience and an active search for a specific piece of content. Besides this aspect, we will discuss several parts that are especially important for interactive recommender systems, including the following: design of the user interface and its tight integration with the algorithm in the back-end; computational efficiency of the recommender algorithm; as well as choosing the right balance between exploiting the feedback from the user as to provide relevant recommendations, and enabling the user to explore the catalog and steer the recommendations in the desired direction.
In particular, we will explore the field of interactive video and music recommendations and their application at Netflix and Spotify. We outline some of the user-experiences built, and discuss the approaches followed to tackle the various aspects of interactive recommendations. We present our insights from user studies and A/B tests.
The tutorial targets researchers and practitioners in the field of recommender systems, and will give the participants a unique opportunity to learn about the various aspects of interactive recommender systems in the video and music domain. The tutorial assumes familiarity with the common methods of recommender systems.
DATE: Wednesday, Sept 16, 2015, 11:00-12:30
Past, Present & Future of Recommender Systems: An Industry PerspectiveJustin Basilico
Slides from our talk at the RecSys 2016 conference in Boston, MA 2016-09-18 on our perspective for what are important areas for future work in recommender systems.
오딘: 발할라 라이징 MMORPG의 성능 최적화 사례 공유 [카카오게임즈 - 레벨 300] - 발표자: 김문권, 팀장, 라이온하트 스튜디오...Amazon Web Services Korea
서비스 런칭을 위해 라이온하트와 카카오게임즈가 어떻게 최적 성능의 인스턴스를 선택하고, Windows 운영 체제를 최적화하며, 왜 Amazon Aurora를 기본 데이터베이스로 채택하였는지를 설명합니다. 또한, 출시부터 운영까지의 과정에서 MMORPG가 어떻게 AWS 상에서 설계되고, 게임 서버 성능을 극대할 수 있었는지에 대해 전달해드립니다.
우리는 지금 무엇을 하고있는지를 고민하나요? 아니면 무엇이 되어가고 있는지를 고민하나요? 네 맞습니다. 우리는 매년 무엇을 할지 고민합니다. 그런데 중요한것은 방향 즉 어디를 가고 있는지 입니다.
그래서 넷플릭스의 추천 시스템이 어디를 향해 가고 있는지를 살펴보고 추천시스템의 향해 가야할 Goal에 대하여 같이 이야기를 해보고자 합니다
Causal Inference : Primer (2019-06-01 잔디콘)Minho Lee
- 2019-06-01 잔디컨퍼런스(잔디콘, @구글캠퍼스) 에서 발표한 자료입니다
- 데이터를 통해 인과관계를 추론하는 방법에 대해서 알아봅니다
- Potential Outcomes, Causal Graphical Models 에 대해 간단히 살펴봅니다
- 슬라이드 내에 오타가 있습니다 ㅠㅠ
- 22p, 28p : Perkson's 가 아니라 Berkson's Paradox 입니다
Causal Inference KR 커뮤니티에서 진행한 발표입니다.
프로덕트 개발 조직의 데이터 분석가로 일하며 진행했던 인과추론 분석을 회고하는 내용입니다.
자료 조회가 안되실 경우 https://drive.google.com/file/d/1GAuAqggoxbX50EEwdzTaV4z4G0j8pLRf/view?usp=sharing 를 확인해주세요.
1. 인과추론에 빠져드는 이유
2. A/B 테스트의 현실, 왜 안된다고 할까?
3. 실험이 예상치 못한 지표를 침해했다
4. 기능을 늘리는 게 MAU 성장에 도움이 될까?
발표 영상: https://www.youtube.com/watch?v=Se62pRpk9A0
PDF로 받아서 보시면 더 깨끗하게 보실 수 있습니다.
지난 6개월 간 Diffusion model로 MVP를 만들면서 했던 최적화에 대한 고민과 MLops 경험을 공유합니다. 어제 DEVIEW에서 발표한 내용을 좀 더 이해하기 쉽게 수정했고, Diffusion model에 익숙치 않은 분들을 위해 전반부에 간략한 소개와 발전 과정을 정리했습니다.
최근에 Generative AI로 멋진 제품을 만들고자 하는 분들이 많아진 것 같습니다. 모두가 같은 기술에 접근할 수 있는 상황인 만큼 어떻게 다른 가치를 세상에 설득할 것인가 고민을 더 하게 되네요.
저희가 해왔던 시행 착오가 누군가에겐 도움이 되길 바랍니다!
https://symbiote-ai.com/
웹 3.0 시대에서의 블록체인, 메타버스 및 대체불가 토큰(NFT) on AWS 사례 공유 [레벨 200] - 발표자: 이이구, CTO, ...Amazon Web Services Korea
메타보라는 웹 3.0 시대에서의 블록체인, 메타버스 및 대체불가 토큰(NFT) 등의 사업을 본격적으로 추진해 나가고 있습니다. NFT 생태계 전반에 대한 이해와 향후 비전 그리고 AWS 상에서 NFT를 포함한 다양한 블록체인 기반의 서비스를 출시하면서 겪었던 경험을 공유해 드릴 예정입니다.
블록체인 기반의 종합 엔터테인먼트 플랫폼 CUBE를 통해 Netmarble 게임을 포함한 다양한 게임들의 온보딩을 수행한 경험을 공유하고, 게임 서비스와 블록체인 및 CUBE 플랫폼 연동을 위한 Middleware 서비스에 대한 인프라 구조 및 운영 노하우를 공유해드립니다.
7. 게임 스트리밍 서비스를 위한 아키텍처 - 언리얼 엔진을 중심으로! [레벨 300] - 발표자: 하흥수, 솔루션즈 아키텍트, AWS :...Amazon Web Services Korea
클라우드 기반의 게임 스트리밍은 플랫폼과 디바이스에 제한받지 않고 플레이할 수 있는 등 여러 가지 뛰어난 장점을 가진 게임 체인저로 관심받는 기술입니다. 그러나 네트워크 이슈와 높은 서버 비용 등으로 인해 구현하는 데 어려움을 겪는 경우가 많습니다. 본 세션에서는 게임스트리밍 서비스를 AWS에서 어떻게 구현할 수 있을지에 대해 간단한 아키텍처와 데모를 통해 소개해드립니다.
그로스 해킹 & 데이터 프로덕트 (Growth Hacking & Data Product) - 고넥터 고영혁 (Gonnector Dylan Ko)Dylan Ko
* 해당 강연 관련 상세 인터뷰 - https://fyi.so/2Rl04JS
[목차]
1. 그로스 해킹 제대로 바라보기
2. 선택이 아닌 필수 “개인화 (Personalization)” 의 본질
3. 개인화를 구현하는 CDP (Customer Data Platform)의 글로벌 혁신 성공 사례
4. 이 모든 화두의 접점 “데이터 프로덕트 (Data Product)” 의 핵심
5. 데이터 프로덕트를 잘 만들기 위한 서비스/데이터 디자인 방법론과 기타
* 2018년 10월 29일 드림플러스 강남점에서 ㅍㅍㅅㅅ 아카데미(PPSS Academy)가 주최한 2시간 특강 '그로스 해킹과 데이터 프로덕트' 의 강연 슬라이드
[Agenda]
1. How to understand Growth Hacking properly
2. Not option but mandatory, Personalization's essence
3. Global innovation use cases of personalization using CDP(Customer Data Platform)
4. The core of Data Product, which is the base of all the above things
5. The methodology of service and data architecture design and other detail things to make a well-made data product
#그로스해킹 #데이터액션 #고넥터 #데이터사이언스 #서비스디자인 #GrowthHacking #DataAction #DataScience #Gonnector #ServiceDesign
by Harald Steck (Netflix Inc., US), Roelof van Zwol (Netflix Inc., US) and Chris Johnson (Spotify Inc., US)
Slides of the tutorial on interactive recommender systems at the 2015 conference on Recommender Systems (RecSys).
Interactive recommender systems enable the user to steer the received recommendations in the desired direction through explicit interaction with the system. In the larger ecosystem of recommender systems used on a website, it is positioned between a lean-back recommendation experience and an active search for a specific piece of content. Besides this aspect, we will discuss several parts that are especially important for interactive recommender systems, including the following: design of the user interface and its tight integration with the algorithm in the back-end; computational efficiency of the recommender algorithm; as well as choosing the right balance between exploiting the feedback from the user as to provide relevant recommendations, and enabling the user to explore the catalog and steer the recommendations in the desired direction.
In particular, we will explore the field of interactive video and music recommendations and their application at Netflix and Spotify. We outline some of the user-experiences built, and discuss the approaches followed to tackle the various aspects of interactive recommendations. We present our insights from user studies and A/B tests.
The tutorial targets researchers and practitioners in the field of recommender systems, and will give the participants a unique opportunity to learn about the various aspects of interactive recommender systems in the video and music domain. The tutorial assumes familiarity with the common methods of recommender systems.
DATE: Wednesday, Sept 16, 2015, 11:00-12:30
Past, Present & Future of Recommender Systems: An Industry PerspectiveJustin Basilico
Slides from our talk at the RecSys 2016 conference in Boston, MA 2016-09-18 on our perspective for what are important areas for future work in recommender systems.
오딘: 발할라 라이징 MMORPG의 성능 최적화 사례 공유 [카카오게임즈 - 레벨 300] - 발표자: 김문권, 팀장, 라이온하트 스튜디오...Amazon Web Services Korea
서비스 런칭을 위해 라이온하트와 카카오게임즈가 어떻게 최적 성능의 인스턴스를 선택하고, Windows 운영 체제를 최적화하며, 왜 Amazon Aurora를 기본 데이터베이스로 채택하였는지를 설명합니다. 또한, 출시부터 운영까지의 과정에서 MMORPG가 어떻게 AWS 상에서 설계되고, 게임 서버 성능을 극대할 수 있었는지에 대해 전달해드립니다.
[2021 Google I/O] LaMDA : Language Models for DialogApplicationstaeseon ryu
오늘 소개드릴 논문은 단어의 시퀀스의 확률을 할당하는
Large scale LM 모델 방법과 직접 레이블링한 데이터로
파인튜닝한 트랜스포머 계열의 대화테스크를 위한
언어 모델이라고 이해해주시면 될 것 같습니다
그래서 Google CEO가 직접 2021년에 발표를 했고
영상에서는 LaMDA가 이렇게 행성으로
이제 페르소나를 가지고 서로 대화하는 모습을 Google I/O 에서 보여주셨습니다
오늘 소개드릴 논문은 단어의 시퀀스의 확률을 할당하는
Large scale LM 모델 방법과 직접 레이블링한 데이터로
파인튜닝한 트랜스포머 계열의 대화테스크를 위한
언어 모델이라고 이해해주시면 될 것 같습니다
그래서 Google CEO가 직접 2021년에 발표를 했고
영상에서는 LaMDA가 이렇게 행성으로
이제 페르소나를 가지고 서로 대화하는 모습을 Google I/O 에서 보여주셨습니다
코끼리(BOAZ) 사서의 도서 추천 솔루션
: 이 책 내용이 내 취향인데, 비슷한 내용의 책은 어떻게 찾지?’
줄거리를 바탕으로 책을 고르시는 분, 관심 작가의 책을 읽고 싶은 분들께
코끼리 사서가 취향저격 책을 제안해 드립니다.
12기 강호석 고은비 고은지 양태일 이지인 전준수 정해원
[국내 최초 빅데이터 연합동아리 BOAZ]
유튜브 - https://www.youtube.com/channel/UCSniI26A56n2QZ71opJtTUg
페이스북 - https://www.facebook.com/BOAZbigdata
인스타그램 - http://www.instagram.com/boaz_bigdata
블로그 - https://blog.naver.com/boazbigdata
<마비노기 영웅전>의 사례에 기반하여 다음의 내용을 설명합니다.
1. 국내 및 해외에서 라이브 서비스 중에 발생하는 작업장 이슈에 대응하기 위해서 실시간 로그 수집 프로세스를 구축하면서 고민하였던 내용과
2. 수집한 로그 데이터를 활용하여 온라인 액션 게임에서 캐릭터 애니메이션 패턴간의 유사도(TF-IDF, Cosine Similarity)를 분석하여 현업 실무의 어뷰징 탐지에 활용한 사례를 공유합니다.
라이브 서비스 환경에서 국내 및 해외의 실시간 로그 수집에 대해서 고민하시는 개발자나 온라인 게임에서의 봇탐지에 관심있는 분석가들에게 유용한 사례를 소개해드릴 수 있을 것으로 생각합니다.
링크드인의 Big Data Recommendation Products - 어제의 데이터를 통해 내일을 예측한다Evion Kim
DEVIEW 2013 발표 내용입니다 - http://deview.kr/2013/detail.nhn?topicSeq=36
링크드인 플랫폼 상의 다양한 Recommendation Product들, 이 제품들의 키워드는 바로 'Relevance(연관성)' 입니다. 가장 관련있는 데이터들을 제공함으로써 사용자의 삶을 더 쉽고 편하게 만들어 주는것이 링크드인 데이터 팀의 목표라 할 수 있겠습니다. 그렇다면 어떻게 해야 사용자에게 가장 연관성 높은 데이터를 제공 할 수 있을까요? 이에 대한 답을 한문장으로 요약하자면 '어제의 데이터를 분석하여 내일의 사용자의 행동을 예측한다' 가 될 것 같습니다.
본 발표에서는 이 한 문장을 좀 더 길게 풀어보려 합니다. 링크드인에서는 Hadoop, Key-Value Storage, Machine Learning등의 기술을 어떤 식으로 활용하여 연관성 높은 Recommendation Product를 만들고 있는지에 대해 소개해보겠습니다.
자세한 내용은 https://www.youtube.com/watch?v=oPT9hHXrEpo 을 참조하세요.
AlphaGo가 어떤 원리로 구현되었으며, 어떻게 강력한 기력을 확보하게 되었는지를 설명드립니다. 이 자료를 이해하기 위해서 인공지능과 전산과학에 기초적인 지식이 필요할 수 있습니다.
6. 발표 내용 : 이론 70% + 사례 30%
방법론 + 구축 사례 위주의 발표
(개발자가 아닌 분석가 관점, ML 위주)
7. 전체 흐름
추천 시스템 개발
Data
Collection
Data Processing Logic (Model)
Serving
APIService
Application
8. 발표 순서
• Interpretable
• 정의
• 솔루션
• Recommender System
• 피드백과 채널
• 문제 의식
• 접근 방법 : word2vec
• 하나의 방법으로 해결할 수 없을 때 : 앙상블
• Playground
• 추천 시스템 * 리서치
• 데이터 * 리서치
13. 머신러닝(Black Box)를 설명하기가 어렵다!
Definition
1. 모델( F(x) )이 어렵다.
해결 방법 : 동작 방법 F(X)을
보여주자
사용자가 Input 넣으면
Output이 나올 수 있도록
14. 머신러닝(Black Box)를 설명하기가 어렵다!
Definition
2. 데이터가 어렵다!
Wine Data - Six Dimensions (6-D)
X, Y, Z, Shape, Size, Color
해결 방법 : 시각화
사람은 4차원 이상의
데이터를 상상하기 어려움
28. Recommender System
GroupLens : 뉴스 추천을 위한 선구적인 연구 프로토타입 (ex. Booklens, MovieLens)
Amazon.com : 5점 척도 평점, 매출 35% 이상이 추천에서 발생한다고 함
Netflix 추천시스템 대회 : 480,189명 사용자에 17,770편에 대한 영화 평점 제공한 예측 대회
Google News Personalization System : 클릭하는 행동을 긍정적인 신호, 단항 평가
Facebook 친구 추천 : 소셜 네트워크 링크 예측하여 잠재적인 친구 추천
네이버 상품 추천 시스템 AiTEMS
: 라인 쇼핑에서 상품 클릭, 검색, 구매했던 소비패턴 기반 상품 추천
SK텔레콤 플로(FLO) 음악추천
: 고객이 직접 입력한 선호 아티스트나 장르를 기반으로 음악 추천
29. Recommender System
< 오버워치 2018년 8월 업데이트 >
(게임 사례) 오버워치 : 평가 기반의 좋아할만한 팀플레이, 지휘관 추천
- “추천 시스템, 긍정적 플레이 이끌어낼 ‘당근’”
#GDC2019
#블리자드
#오버워치
#추천시스템
#유저의부정적인행동
40% 줄여!
30. Recommender System
• 데이터 (로그, DB 스냅샷)
• 메타 데이터
• 로직
• 예측 모델
• 랭킹 모델
• 시스템
• Backend API
• 컨트롤러, 대시보드
• AB 테스트
40. 문제 의식
프로젝트 : Marvel Battle Lines
(마블 코믹스의 IP를 이용해
데브캣에서 개발한 모바일 TCG)
Q : 타노스를 무찌를 멤버(덱)을
어떻게 구성할 수 있을까?
41. 문제 의식
카드
• 마블 배틀라인은 마블 코믹스의 영웅들이 카드로 구성
• 카드에는 등급이 있고,
전투에서 사용할 때 코스믹 조각이 필요
• 카드는 공격력 / 방어력 / 레벨 등
게임 플레이 하면서 효과 특성이 다름
(필요 코스믹 개수가 다름, 캐릭터/액션 카드)
43. 문제 의식
말레키스 로난
두 캐릭터(말레키스, 로난)
카드는 얼마나 다를까???
카드들의 조합 = 덱은 어떻게?
VS
44. 문제 의식
Marvel Battle Lines : 카드 조합 전략 게임
-덱: 리더 카드 + 12장의 캐릭터 or 액션 카드
-유저 개인의 플레이 성향에 따라 덱 구성이 달라짐
Deck을 어떻게 평가할 수 있지?
=> IDEA. 카드를 숫자로 표현할 수 있지 않을까?
46. word2vec
Word Embedding : 비슷한 분포를 가진 단어들은 비슷한 의미를 가질 것이라는 가정
(단어들이 같은 문맥에서 등장한다는 것)
Example
The king loves the queen
The queen loves the king
The dwarf hates the king
The queen hates the dwarf
The dwarf poisons the king
The dwarf poisons the queen
The king (주변 단어) ______ (중심 단어) the dwarf (주변 단어)
(연속적인 여러 단어로부터 한 단어를 추측하는 것.
CBOW : Continuous bag of words model)
_____ ______ dwarf (중심 단어) _____ ______
(한 단어로부터 여러 단어를 추측하는 것. Skip gram)
61. Data & Research
• 2010년에 설립된 머신러닝 경진대회 플랫폼, 2017년 구글에게 인수
• 연구를 위해, 캐글은 데이터 사이언스를 익히기 가장 좋은 플랫폼
62. Data & Research
• Kdnuggets
• Machine Learning, Data Science, Data Mining, Big Data, Analytics,
AI. Software (Suites, Text, Visualization) 관련 웹사이트
63. Data & Research
• Towards Data Science
Low-Cost Cell Biology Experiments for Data Scientists. Paper
microscopes, public data repositories, and hosted notebooks
solutions
64. 전체 요약
• Interpretable은 머신러닝 모델을 뜯어보고 살펴보기
• Recommender System은 채널과 피드백을 잘 골라보기
• Research는 공부 + 다양한 데이터 보기 + 사례를 트래킹
65. Appendix
• Interpretable Machine Learning A Guide for Making Black Box Models
Explain
• The Art of Effective Visualization of Multi-dimensional Data
• The Illustrated Word2vec
• Recommender Systems The Textbook Charu C. Aggarwal
• 블리자드 스캇 머서 “추천 시스템, 긍정적 플레이 이끌어낼 ‘당근’”
http://www.khgames.co.kr/news/articleView.html?idxno=112527
http://www.thisisgame.com/webzine/news/nboard/4/?n=92529
• Visualizing Data using t-SNE
66. Speical Thanks!!
NDC 발표를 추천해주고 모든 기획 및 개발 소스를 내어주신 황준식님
추천TF 프로젝트 관련
마블배틀라인(조정훈님, 이원동님)
UP팀(이영득님, 원주경님, 채미르님)
플랫폼분석팀 (김영훈님, 강현정님, 문명희님)