게임용 AI 및 기계 학습

부정 행위 탐지 및 플레이어 동작 예측에서 음성 인식 자동화 및 플레이 테스트에 이르기까지, 인공 지능(AI) 및 기계 학습(ML)을 통해 더 스마트한 게임과 더 빠른 개발을 지원할 수 있습니다.

시작하기 »

지능적인 게임 경험 구축

더 빠른 구축

다른 클라우드 공급자와 비교할 때, AWS Machine Learning의 알고리즘 성능은 10배 더 뛰어나고, 성능은 2배 더 뛰어납니다. AWS Machine Learning은 오늘날 게임 개발자가 직면한 가장 어려운 문제를 해결하는 데 집중합니다.

더 스마트한 게임 운영

기계 학습 모델을 빠르게 구축, 훈련 및 배포하여 시간을 절약하세요. 플레이어의 행동을 예측하고, 참여를 장려하고, 즐거움을 선사하는 것에 더 많은 시간을 투자할 수 있습니다.

새로운 경험 구축

인공 지능으로 게임 기능을 보강하여 플레이어에게 보다 몰입감 넘치는 경험을 신속하게 제공할 수 있습니다.

Voodoo 로고
"Amazon SageMaker와 Amazon Personalize를 사용하여 모든 앱 사용자에게 첫날부터 맞춤형 추천 기능을 자동으로 제공한 결과, 사용자 유지율이 15% 증가했습니다. 사내 개인화 도구에 대한 의존도를 낮춰 개발 시간을 53% 단축함으로써 고객 경험을 개선할 수 있는 기회를 발굴하는 데 집중할 수 있게 되었습니다."
- Robin Mizreh, Voodoo 기술 리드
각 사용 사례를 클릭하여 자세히 알아보세요.
  • 순위표에 순위순으로 표시된 사용자 3명

    자동화된 게임 레벨 지정

    Amazon SageMaker의 강화 학습을 사용하여 플레이어의 레벨 밸런싱을 개인화합니다.

    레벨 설계는 좋은 게임을 만들 때 중요한 부분 중 하나입니다. 레벨이 너무 어려우면 플레이어가 좌절감을 느끼고 플레이를 멈춥니다. 레벨이 너무 쉬우면 플레이어가 지루함을 느끼고 플레이를 멈춥니다. 새 레벨을 게임에 추가할 때는 객관적이고 정량화할 수 있는 방법으로 레벨의 타당성을 확인할 수 있어야 합니다. 또한 프로세스의 최대한 많은 부분을 자동화하여 출시를 앞당길 수 있어야 합니다. 레벨 설계를 수동으로 검증, 테스트 및 세부 조정하는 데 몇 시간을 쓰는 것이 아니라 강화 학습으로 프로세스를 자동화해야 합니다.

    워크숍 시작하기 »

  • 지표 모니터링을 나타내는 그래프에 그려진 도형

    실시간 감정 모니터링

    Amazon Comprehend를 통해 Twitch 채팅의 감정을 실시간으로 모니터링합니다.

    피드백에 응답하고 플레이어가 원하는 게임을 구축하려면 플레이어 기반의 감정을 이해하는 것이 중요합니다. 위험성이 높은 새 기능을 출시할 때가 되었고 일부 채널에서 테스트할 계획이라고 가정합시다. A/B 테스트를 통해 최적화할 유용한 지표가 있지만 이 지표는 후행 지표입니다. 플레이어가 좌절감을 느낄 경우 빠르게 롤백할 수 있는 방법이 필요합니다. 

    위험을 낮추기 위해 Twitch 채팅의 감정을 실시간으로 모니터링하는 애플리케이션을 구축합니다. 그런 다음 Amazon Comprehend를 통해 모든 메시지의 감정을 측정하는 채팅 클라이언트를 작성합니다. 분당 평균 감정이 Amazon CloudWatch 대시보드에 표시되므로 새 기능을 안심하고 라이브로 전환할 수 있습니다.

    이 워크숍에서 다루는 개념은 텍스트 채팅, 게시판 및 기타 소셜 미디어 채널과 같은 다른 데이터 원본에도 적용 가능합니다.

    워크숍 시작하기 »

어디에서 시작할지 알 수 없습니까?

아래의 유용한 단계를 수행하여 기계 학습과 인공 지능 사용을 시작할 수 있습니다.

1단계

블로그

Detect fraud in games using machine learning

게임 내 사기를 탐지하는 데 도움이 되는 자체 기계 학습 모델을 훈련하고 실행할 수 있도록 기계 학습을 사용한 사기 탐지 방법에 대해 알아봅니다.

블로그 읽기 »

2단계

워크숍

Automate game leveling with reinforcement learning

Amazon SageMaker를 통한 강화 학습을 사용하여 게임 레벨 지정을 자동화하는 방법을 알아봅니다.

워크숍 시작하기 »

3단계

워크숍

실시간 감정 모니터링

Amazon Comprehend를 통해 Twitch 채팅의 감정을 실시간으로 모니터링합니다.

워크숍 시작하기 »

4단계

온디맨드 세션

Identifying suspicious activity with an ML powered abuse detection pipeline

AWS Machine Learning과 인공 지능을 활용하여 동적인 고성능 엔드 투 엔드 침해 탐지 파이프라인을 구축하는 방법을 알아봅니다.

프레젠테이션 보기 »

주요 고객 성공 사례

Gearbox Software와 MMOS는 기계 학습을 사용하여 과학 연구를 발전을 돕는 미니 게임을 만듭니다.

사례 읽기 »

AWS를 통해 플레이어에게 혁신을 제공하는 게임 스튜디오

ROVIO
앵그리버드 드림 블라스트의 홍보용 이미지

Rovio는 기계 학습을 사용하여 레벨 균형 테스트를 자동화함으로써 데이터 수집 시간을 몇 년에서 몇 시간으로 단축합니다.

동영상 보기 »

SONY INTERACTIVE ENTERTAINMENT
비디오 게임에서 트랙을 주행 중인 Audi 경주용 차량의 후미를 보여주는 스틸 이미지

Sony Interactive Entertainment는 AWS를 사용하여 시각적 이미지 및 효과를 원격으로 렌더링하기 위해 기존 인프라를 현대화하고 있습니다.

동영상 보기 »

ACTIVISION
Activision 로고

Activision은 분석 및 기계 학습을 사용하여 매일 수백만 명의 콜 오브 듀티 플레이어에게 개인화된 플레이어 참여 경험을 제공합니다.

동영상 보기 »

관련 기술 가이드, 웨비나, 백서 및 기타 콘텐츠를 확인하세요.

블로그
Detecting fraud in games using machine learning

게임 내 사기를 탐지할 때의 고유한 문제와 AWS의 구현 가이드 및 AWS CloudFormation 템플릿을 사용하여 사기 탐지 파이프라인을 구축하는 방법을 알아봅니다.

블로그 읽기 »
웨비나
Understanding game changes and player behavior with graph databases

지식 그래프 및 Amazon Neptune을 사용하여 게임 변경 및 플레이어 행동에 대한 어려운 질문의 답을 찾는 방법을 살펴봅니다.

지금 보기 »
블로그
Using machine learning to understand a user community

이 게스트 게시물에서는 편안하고 안전한 온라인 커뮤니티를 만든 Oterlu AI의 사례를 알아봅니다.

블로그 읽기 »

AWS Game Tech가 처음인가요?

다양한 게임 개발자 과정을 선택하여 듣거나 시작 가이드를 둘러보거나 실습을 통해 기술을 연마해 보세요. 

AWS의 AI 및 기계 학습 솔루션을 사용할 준비가 되셨습니까?

팀원이 한 명이든 천 명이든 AWS에서는 여러분의 게임 개발 요구 사항에 대해 더 자세히 알고 싶습니다.