Earticle

초록

영어

As artificial intelligence(AI) technology develops, studies that apply it to various fields are actively being conducted. Among them, in the field of games, research is being conducted to analyze game situations in order to recommend play strategies or predict game outcomes. The existing studies mainly use a method of learning from collected game log data based on AI classification models, and use this to predict match outcomes or recommend strategies. However, the existing method of learning large-scale time-series game data based on classification models shows low performance in early-game predictions. In this study, we propose a game outcome prediction system based on an improved LLM model, which enhances the Transformer model commonly used for analyzing sequence data such as natural language, to address these limitations. Additionally, to enhance performance, a knowledge augmentation technique is applied, which infers additional information such as strategies based on the input data and incorporates it into the prompt. Through experiments applying the proposed system to the real-time strategy game StarCraft2, we confirmed that the system improves the accuracy of game outcome prediction and effectively captures the key characteristics of the game.

한국어

인공지능(AI) 기술이 발전함에 따라 이를 여러 분야에 적용하는 연구들이 활발하게 진행되고 있다. 그중 게임 분야에서는 게임 상황을 분석하여 전략 추천 및 승부 예측 연구가 진행되고 있다. 기존의 연구에서는 주로 수집된 게임 로그 데이터를 AI 분류 모델을 기반으로 학습하고, 이를 바탕으로 승부를 예측하거나 전략을 추천하 는 방식을 사용하고 있다. 그러나 대용량의 시계열 게임 데이터를 분류 모델을 기반으로 학습하는 기존 방식의 경 우 게임 초기 예측에서 낮은 성능을 보이고 있다. 이에 본 연구에서는 이러한 단점을 개선하기 위해 자연어 등의 시퀀스 데이터 분석에 사용되는 Transformer 모델을 개선한 LLM 모델 기반의 게임 승부 예측 시스템을 제안한 다. 또한 성능 향상을 위하여 입력된 데이터를 기반으로 전략 등의 추가 정보를 추론하여 프롬프트에 같이 활용하 는 knowledge augmentation 기법을 적용한다. 제안하는 시스템을 실시간 전략게임인 Starcraft2에 적용한 실험 을 통해 게임의 승부 예측 성능이 향상됨을 확인하였고 게임의 특징을 잘 반영되는 것을 확인하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
2.1 LLM(Large Language Model)
2.2 Knowledge Augmentation 기법
2.3 AI기반 게임 승부 예측 기술
Ⅲ. 시스템 설계 및 구현
3.1 Knowledge Augmentation
3.2 Winner Prediction
Ⅳ. 실험 및 분석
4.1 데이터셋
4.2 실험
4.3 결과 및 분석
Ⅴ. 결론
REFERENCES

키워드

저자

• 현선영 [ Sun-young Hyun | 스마트랩스 연구원 ]
• 정현석 [ Hyun-seok Chung | 스마트랩스 연구원 ]
• 이창은 [ Chang-eun Lee | 한국전자통신연구원 책임연구원 ]
• 하영국 [ Young-guk Ha | 건국대학교 컴퓨터공학부 교수 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  차세대융합기술학회논문지 [The Journal of Next-generation Convergence Technology Association]

• 간기

  월간

• pISSN

  2508-8270

• 수록기간

  2017~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 506 DDC 606