성공 알고리즘 EA

8 위

The Science Times

화제가 된 유튜브 동영상에는 이런 댓글이 달리고는 한다. “알고리즘이 나를 여기로 이끌었습니다.” 유튜브에는 사용자에게 동영상을 추천하는 알고리즘, 즉 일종의 규칙이 있는데, 이것이 사람들을 유튜브에 중독되게 하는 핵심이다. 유튜브 시청자는 알고리즘이 추천하는 동영상을 보는 성향이 강하기 때문이다. 유튜브 알고리즘에 선택을 받은 동영상은 속된 말로 대박이 난다. 그렇기에 유튜버나 기업은 알고리즘이 어떻게 작동하는지 연구하고 또 연구해 동영상을 만든다.

그러나 그게 말처럼 쉽지 않다. 일단 유튜브는 추천 알고리즘을 외부에 공개하지 않는다. 게다가 늘 똑같은 알고리즘을 사용한 것도 아니고 시대에 따라 알고리즘은 변해왔다. 그럼에도 구글의 엔지니어들은 유튜브의 추천 알고리즘을 개선하는 논문을 내고 있기 때문에 어떤 방식으로 작동하는지 추측할 수 있다. 함께 알아보자.

유튜브 알고리즘의 변천 역사

유튜브가 서비스를 개시하고 처음으로 동영상이 업로드된 것은 2005년이다. 이 2005년부터 대략 2012년까지는 단순한 알고리즘으로 동영상을 추천한 것으로 보인다. 바로 조회 수와 시청 시간이다. 조회 수는 시청자가 많이 보는 동영상이 그만큼 성공 알고리즘 EA 재미있고 유익할 것이라는 전제를 바탕으로 한다. 문제는 이 전제가 늘 옳지 않다는 것이다. 동영상을 올리는 사람들이 자극적인 제목을 쓰거나 제목과 어울리지 않는 일명 낚시성 동영상을 올려 얼마든지 조회 수만 늘릴 수 있기 때문이다. 제목과 미리보기 이미지인 섬네일에 이끌려 영상을 재생한 시청자는 조악한 영상을 보고 실망을 느꼈다. 조회 수 추천 방식을 계속 사용한다면 유튜브 사용자는 급감할 것이 뻔했다.

그래서 대안으로 등장한 알고리즘이 바로 시청 시간이다. 어떤 동영상에 시청 시간이 길다는 것은 그 동영상이 시청자들이 원하고 보고 싶어하는 동영상일 확률이 높다. 이때부터 유튜브는 크리에이터들에게 동영상을 짧게 하거나 제목을 자극적이게 하는 식으로 알고리즘에 맞추려 하지 말고 시청자들이 원하는 콘텐츠를 만드는 게 도움이 된다고 조언하기도 했다.

2016년부터는 인공지능(AI) 기술의 발달로 유튜브는 비로소 머신러닝을 이용한 알고리즘을 도입했다. 머신러닝은 기계학습이라는 우리말 뜻 그대로 사람이 규칙을 집어 넣는 것이 아니라 컴퓨터가 스스로 규칙을 형성해 데이터를 분류하거나 값을 예측하도록 만드는 것이다. 머신러닝에는 크게 지도 학습과 비지도 학습이 있는데, 지도 학습이란 입력값과 정답을 주어 기계를 학습시키고 미래의 값을 예측하도록 한다. 비지도 학습은 입력값만으로 컴퓨터 스스로 학습을 통해 패턴이나 특성을 찾아내 예측하도록 성공 알고리즘 EA 한다.

머신러닝을 활용하는 유튜브 알고리즘의 개요도 ⓒCovington et al

유튜브는 알고리즘에 머신러닝을 사용한다고 밝혔으나 구체적으로 어떤 방식으로 머신러닝 추천 알고리즘이 동작하는지 알려주지는 않았다. 연구자들이 유튜브 추천 알고리즘을 분석한 결과를 종합해보면 우선순위로 추천하는 영상에는 다수의 입력값이 들어가는 것으로 보인다. 예를 들면 전통적인 조회 수와 시청 시간이 있고 그 다음으로 조회 수 증가 속도, 좋아요 싫어요 댓글 공유 같은 시청자의 참여도, 참신성, 채널 내 영상 업로드 빈도, 지역 등이 있다. 세션 시간이라는 입력값도 있는데, 이는 영상을 시청한 채널 내에 있는 다른 영상을 시청하는 시간을 말한다. 또한 여기서 그치지 않고 시청자의 개인적 선호도까지 분석해 해당 시청자가 선호하는 영상 주제와 과거 시청 데이터를 분석한다. 유튜브 추천 알고리즘은 이 모든 입력값들을 고려해 최종적으로 시청자 한 개인에게 딱 맞는 추천 영상 목록을 만들어 낸다.

유튜브 알고리즘의 선택을 받는 방법

한국언론진흥재단이 펴낸 ‘유튜브 추천 알고리즘과 저널리즘’이라는 보고서는 서울대와 KAIST 공학 전문가들의 도움을 받아 문재인 대통령, 방탄소년단, 유시민, 홍준표, 조국이라는 5개 키워드를 대상으로 일주일간 수집한 33만 4425개의 추천 목록을 분석해 유튜브 추천 알고리즘의 경향을 파악하기도 했다.

그 결과 유튜브 알고리즘은 방송사가 제공하는 영상, 제목이 길거나 제목 안에 주요 키워드가 많은 영상, 생중계 영상을 선호하는 것으로 나타났다. 게다가 보고서는 유튜브 알고리즘이 특정 기간에 특정 이슈 영상을 집중적으로 추천하는 경향을 발견했고, 유튜브 시청자의 시청 시간 중 70%가 추천된 영상을 본 시간임을 알아냈다.

유튜브 전체 시청 시간 중 70%가 추천 영상을 본 시간으로 나타났다 ⓒ게티이미지뱅크

또한 보고서는 내 동영상이 알고리즘의 선택을 받으려면 어떤 측면을 체크하는 것이 좋은지도 선별했다. 첫째, 직접 제작한 섬네일이 성과가 높다. 둘째, 제목과 설명문이 겹쳐야 최적화에 유리하다. 셋째, 채널의 첫 영상은 안내 영상으로, 1~3분 정도 분량이 좋다. 넷째, 태그는 토픽과 관련 있는 인기 키워드로, 최대 10개를 넘기지 않는다. 다섯째, 라이브의 경우 종료 후 하이라이트를 제공해야 한다.

유튜브 알고리즘에 선택되려면 정말 고려해야 할 게 한두 가지가 아니다. 그만큼 개인 맞춤 콘텐츠 추천이 고도화돼 있다는 말이다. 오늘도 시청자들의 눈을 사로잡기 위해 애쓰는 크리에이터들에게 존경을 표한다!

성공 알고리즘 EA

2 위

3 위

4 위

5 위

6 위

7 위

8 위

김한욱

9 위

sonysw

10 위

랭킹 더보기

New Problem

14704. 구간의 개수가 정해진 순열

길이 N의 순열에서 연속 부분 수열이 연속된 정수들로 이루어진다면 이들을 구간이라고 부른다. 두 수 N,K가 주어졌을때, 구간인 연속 부분 수열의 개수가 정확히 K개인 길이 N의 순열을 출력하여라.

14702. 생물학 실험

N개의 페트리 접시에 배지가 준비되어 있다. 실험을 성공하기 위해서 세균을 증식시켜 특정 숫자만큼의 세균을 만들어야 한다. 실험이 가능한지 판단하고, 가능하다면 시약을 떨어뜨려야 하는 최소 횟수를 구하여라.

9660. 번호 붙이기

9658. 유효숫자 표기

Solving Talk

Solving Club

LEARN

Course

Visual Code

Data Structure

Data Structure

Data Structure

Data Structure

SW Expert Academy Works

Code Problem Solving

Learn Intensive Study

Talk Social Learning

레벨 테스트를 통하여 개인 역량에 맞는 컨텐츠를 추천 받아 학습할 수 있습니다.

About

Support

1366*768 이상 해상도에 최적화되어 있으며 Google Chrome 브라우저를 권장합니다. (Internet Explorer 11 이상 지원)

게임 / 엔터테인먼트 : 게임기, 게임용 주변기기, 콘솔, 휴대용 게임기, VR, AR, 게임 소프트웨어에 대한 이야기, 소식, 플레이 소감, 스크린샷, 플레이 영상을 올리는 게시판입니다.

오늘의 뻘짓 - 게임 속의 확률이란 것은 과연 정확한 걸까?

Extra Form

참고/링크	https://terms.naver.com/entry.nhn?docId=. ryId=58970

우리가 플레이하는 게임에는 확률에 의한 요소가 들어가는 경우가 상당히 많습니다. 흔히 랜덤박스니 가챠니 하는 뽑기 요소는 말할 것도 없으며, 아이템을 강화하거나 혹은 적에게 공격하는 액션을 취할 때도 해당 액션이 성공할 확률이 몇 퍼센트다 하는 개념이 들어가는 경우가 많지요. 이처럼 게임에서 확률 요소는 빼놓을래야 빼놓을 수가 없는 것입니다.

그런데, 컴퓨터는 어떻게 확률에 의한 판정을 내릴 수가 있는 걸까요? 그건 0과 1 사이에 고르게 분포된 임의의 숫자(난수)를 얻을 수만 있다면 그리 어려운 일은 아닙니다. 예를 들어, 어떤 액션의 성공 확률을 25%로 가정해 봅시다. 0%는 0이고 100%는 1이므로, 25%는 0.25입니다. 앞에서 0과 1 사이에 고르게 분포되어 있는 난수를 뽑는다고 가정했으므로, 난수 하나를 뽑았을 때 그 난수가 0.25보다 작거나 같을 확률은 25%입니다. 따라서 25%의 성공 확률이 주어졌다면, 난수 하나를 뽑아서 해당 난수가 0.25보다 작거나 같으면 성공으로 판정하고 아니면 실패로 판정하면 됩니다. 생각보다 간단하죠. 이를 Python3 코드로 단순하게 옮기면 다음과 같습니다. 함수 이름에 신경쓰면 지는 겁니다.

문제는 난수를 얻는 것 자체입니다. 현대의 디지털 컴퓨터는 결정론적 알고리즘(deterministic algorithm)에 의해 작동하는데, 이것의 특징은 똑같은 입력이 들어오면 언제나 똑같은 결과만을 내놓는다는 것이지요. 쉽게 말해서, 계산기에 1 + 1을 눌렀는데 뜬금없이 3이나 4나 -127이 나온다면 고장난 것이니 내다버려야 하지 않겠습니까. 바로 그런 이치로, 컴퓨터에 1 + 1을 입력하면 언제 어디서나 2가 나오는 것은 지극히 당연하고 우리에게 친숙한 결과입니다. 문제는, 난수란 것은 뽑을 때마다 바뀌어야 하는 숫자라는 점이죠. 주사위를 아무리 던져도 숫자가 1밖에 나오지 않는다면, 그 주사위는 쓸모없는 물건입니다.

그래서, 현대의 컴퓨터에서 난수가 필요하면 난수를 얻기 위한 별도의 하드웨어 장치를 사용하거나, 혹은 씨앗이 되는 숫자(seed number)를 특정한 공식에다 집어넣어서 마치 난수처럼 보이는 숫자(의사난수, pseudo-random number)를 얻어내는 방법을 사용합니다. 난수를 얻기 위한 하드웨어 장치는 여러 가지 종류(예를 들어, 로또 추첨시 사용되는 장치도 일종의 난수를 얻는 장치라고 볼 수 있습니다. 혹은, 진짜로 주사위를 던져서 난수를 얻는 장치도 있다고 합니다.)가 있지만, 장치 주변의 노이즈를 수신하여 디지털 숫자로 전환하는 방식이 흔히 사용된다고 합니다. 예를 들면 아날로그 TV나 라디오를 아무 방송도 하지 않는 채널이나 주파수에 맞춰두면 주변의 의미없는 노이즈 전파신호를 수신하여 내보내는 것을 볼 수 있는데, 이걸 그대로 디지털화하여 난수로 사용하는 것이죠. 아니면 디지털 카메라는 어두운 곳에서 노이즈가 늘어난다는 특징을 활용하여, 그 노이즈를 증폭하여 난수를 생성하는 방법도 있습니다. 투과성이 약한 방사성 동위원소와 검출기를 한데 묶어서, 방사선 입자가 검출되는 랜덤한 패턴을 난수로 뽑아내는 경우도 있고요. 이런 하드웨어를 사용하는 방법은 진짜 랜덤한 난수를 얻을 수 있지만, 별도의 하드웨어 비용이 들어가고 난수 생성 속도에 제약이 있으며 구현 방식에 따라 주변 환경의 영향을 받을 수 있는 등의 단점이 있어서 정말 중요한 곳이 아닌 이상에야 그리 널리 쓰이지는 않습니다.

일반적으로 가장 많이 사용되는 난수 얻기 수단은 의사난수를 생성하는 알고리즘을 사용하는 것입니다. 알고리즘에 씨앗이 되는 숫자를 집어넣으면 마치 아무 숫자나 나오는 것처럼 보이고, 그렇게 해서 나온 숫자를 다시 씨앗 숫자로 사용하는 방식이죠. 예를 들어, 예전부터 널리 사용되던 의사난수 생성방식인 선형 합동 생성기(linear congruential generator, LCG)의 구조는 실로 간단합니다. 곱할 숫자 a, 더할 숫자 c, 나눌 숫자 m을 미리 상수로 준비해 두고, 씨앗 숫자 s가 들어오면

이라는 실로 단순하기 짝이 없는 코드를 실행할 뿐이죠. 여기서 상수로 사용되는 a, c, m의 값은 각 구현마다 다른데, 예시로 C++11 표준의 minstd_rand 에서 사용하는 상수값을 보여드리겠습니다.

성공 알고리즘 EA
• 곱할 숫자 a = 48271 (소수)
• 더할 숫자 c = 0 (더하지 않음)
• 나눌 숫자 m = 2 31 - 1 (메르센 소수)

이 값들을 선형 합동 생성기 공식에 집어넣고, 최초의 씨앗 수로 1234를 넣어서 10번을 돌리면 숫자가 다음과 같이 차례대로 변합니다.

1. 59566414
2. 1997250508
3. 148423250
4. 533254358
5. 982122076
6. 165739424
7. 1031150829
8. 305696493
9. 915275066
10. 1061641155

어떤가요, 제법 랜덤해 보이지 않나요?

물론 이 방법은 한계가 명확합니다. 진짜 난수가 아니라 고정된 특정 공식에 의해 산출되는 것이기 때문에 공식의 상수와 씨앗 수만 알고 있다면 그 뒤에 이어질 모든 난수열을 모두 다 알고 있는 것이나 마찬가지일 뿐더러, 공식의 상수 설정이 난수의 품질에 직접적으로 영향을 줍니다. 예를 들어, 1960년대에 IBM 메인프레임에서 사용하던 RANDU라는 의사난수 생성기의 상수는 a = 2 16 + 3, c = 0, m = 2 31 인데, 위키백과에서는 이를 두고 역사상 최악으로 설계된 유사난수 생성기 중 하나 라고 서술하고 있습니다. 왜냐하면, 이 유사난수 생성기로 만든 숫자들을 여럿 모아 (x, y, z) 좌표 형태로 만들어서 3차원 공간상에 나열하면 2차원 평면 15개가 늘어서 있는 형태의 명확한 패턴이 관찰되거든요. 이를 마서글리아 효과(Marsaglia effect)라고 부르는데, 이 평면 패턴이 나타나는 효과 자체는 선형 합동 생성기 방식의 근본적인 한계이지만 m = 2 31 일 때 이론적으로 나타날 수 있는 평면의 수는 최대 1290개인데도 RANDU에서는 평면이 15개밖에 나타나지 않는 것은 순전히 상수 값의 설정이 잘못되었기 때문입니다. 공식의 틀 자체는 변한 게 없는데, 상수를 어떻게 선택하느냐에 따라 난수가 엉망진창이 될 수 있는 것이죠. 하여튼, 당시에 RANDU는 몬테카를로 시뮬레이션(난수를 이용하여 확률적으로 근사값을 구하는 방법) 등에 자주 사용되었는데, 이걸로 구한 난수에 패턴이 있다는 사실이 드러나자 이걸 사용한 몬테카를로 시뮬레이션의 결과 자체가 모두 의심받게 되는 사태로까지 발전하게 됩니다. 그래서 이후에는 선형 합동 생성기 방식 자체가 몬테카를로 시뮬레이션을 위한 난수 생성에 적합하지 않다고 보게 되었습니다.

RANDU 알고리즘에서 나타나는 마서글리아 효과의 시각화. 3차원 공간상에 15개의 2차원 평면 패턴이 드러난다.

요즘은 선형 합동 생성기보다 더 좋은 의사난수 생성 알고리즘이 여럿 나와 있습니다. 암호학적으로 안전하다는 것이 증명된 알고리즘도 있고, 암호학적으로 안전하지는 않아도 일반적인 목적에서는 충분히 랜덤한 알고리즘들도 많지요. 의사난수 생성 알고리즘은 지금도 개발되고 있습니다. PCG니 xoroshiro니 하는 것들로, 코드를 보면 갖가지 비트 연산을 써서 이진수 숫자를 카드 셔플하듯이 마구 섞어버리는 물건입니다. 여담으로, PCG와 xoroshiro의 개발자는 서로 상대방의 알고리즘에 결함이 있다고 자기네 홈페이지 및 레딧에서 디스를 하는 사이인 모양이더군요. 어쨌거나 좀 더 좋은 의사난수 생성 알고리즘들은 계속 나오고 있지만, 게임 같은 곳에서는 여전히 선형 합동 생성기와 같은 단순한 방법으로 의사난수를 생성하는 경우가 흔합니다.

그런데, 아무리 의사난수 알고리즘이 좋아도 거기에 최초의 씨앗 수가 들어가야 한다는 사실은 변하지 않습니다. 이 씨앗 수는 사전에 정해지지 않은 값이어야만 이후 나오는 의사난수가 다른 값이 될 수가 있지요. 가장 흔히 사용되는 씨앗 수는 바로 현재 시간입니다. 시간은 매순간 바뀌는 숫자값이니 씨앗 수로 사용하기에 적당하거든요. 시계가 내장되지 않은 기계(아케이드 또는 휴대용 게임기 등)의 경우에는 플레이어가 입력장치를 통해 입력한 값들을 메모리에 저장해 두었다가 씨앗 수로 삼는 경우가 보편적입니다. 플레이어가 뭘 입력할지는 프로그램이 사전에 알 수가 없으니까요.

어떤 게임 폐인들은 특정 게임에서 위에서 언급한 의사난수의 특징을 교묘하게 응용하기도 합니다. 만약 해당 게임이 플레이어가 지금까지 입력한 내용을 씨앗 수로 삼아 랜덤 값을 도출한다면, 리플레이를 할 때 이전 플레이와 완전히 똑같은 입력을 반복하면 똑같은 랜덤 값이 도출되리라는 것을 기대할 수 있지요. 더욱 나아가서, 입력값이나 입력 타이밍을 조절하여 씨앗 수를 조작하는 것으로 이후 게임에서 나오는 랜덤 요소들을 자신이 원하는 식으로 조작하는 것도 가능하지요. 이에 대해서는 나무위키의 관련 항목들을 읽어보는 것이 좋습니다.

사실, 이 이야기를 하는 것은 제가 나무위키에서 TAS(Tool-Assisted Speedrun) 관련 항목들을 읽다가 문득 게임에서의 확률에 대해 생각난 것이 있어서입니다. 개발자가 설정하는 확률이란 것이 과연 실제로는 얼마나 정확하게 적용되는 것일까요? 예를 들어 성공 확률이 50%로 설정된 액션이 있다고 가정해볼게요. 정말로 성공 확률이 50%라면 액션을 100번 반복했을 때 성공 횟수는 50번이어야 하겠지만, 실제로는 그렇지 않습니다. 48번밖에 성공하지 못할 수도 있고, 아니면 51번을 성공할 수도 있습니다. 그러면, 성공 확률이 극단적인 경우에는 어떨까요? 강화에 성공할 확률이 0.01%밖에 되지 않는 경우, 혹은 확률이 99.99%인 경우에는 어떨까요? 그것이 궁금해졌지요.

그래서, 위에서 제시한 파이썬 코드를 가지고 직접 실험을 해봤습니다. 성공 확률을 부여하고 그 확률을 10만번 시행하여 성공한 횟수를 1단위로 하여, 확률별로 1만 단위를 돌렸습니다. 실험에 사용한 확률은 50%, 0.01%, 99.99%입니다. 참고로 위에 제시된 파이썬 코드는 파이썬의 기본 의사난수 성공 알고리즘 EA 모듈을 사용하는데, 여기에 사용되는 의사난수 생성 알고리즘은 메르센 트위스터(Mersenne Twister)라고 합니다. 좀 더 게임스럽게 하려면 자체적으로 선형 합동 생성기 함수를 만들어 쓰는 게 좋겠지만, 그런 생각은 스크립트 다 돌리고 나서야 생각이 나기도 했고 또 정수를 0과 1 사이의 부동소수점으로 바꿀 간단한 방법이 바로 생각나지 않길래 그냥 다음에 생각나면 해보기로 했습니다. 그래프 작성은 엑셀 2016을 썼습니다.

먼저, 50% 확률입니다. 10만번 실행시 성공 횟수는 5만번이 찍혀야 하는데, 실제 분포는 어떻게 될까요. 확인해봅시다.

성공확률 50%로 100,000번을 돌리니, 성공 횟수는 49,300에서 50,700회 사이에서 분포합니다. 다시 말해, 확률 50%가 주어졌을 때 실제 분포는 ±0.7% 정도의 오차범위 안에 있다는 말이 됩니다. 대부분의 점들은 49,500에서 50,500회 사이에 분포하고 있으니, 대개의 경우는 ±0.5%의 오차범위 안에서 논다는 말이 되겠지요.

히스토그램으로 조금 더 자세히 살펴봤습니다. 이게 그 정규분포인가 뭔가 하는 그거죠? 문돌이는 그런 거 모릅니다. 데헷. (코 쓰윽)

그럼, 성공확률 0.01%는 어떨까요. 10만번 삽질했을 때 단순 계산으로 10번밖에 성공하지 못하는 극악 난이도입니다. 저보고 이런 확률에 도전하라고 하면 그런 똥망겜은 집어치우고 말 거에요.

역시, 예상대로 10번 성공을 중심으로 성공횟수가 모여 있습니다. 근데 운빨이 영 안 좋은 것인지, 10만번 시도해서 고작 1번밖에 성공하지 못한 사례가 있네요. 1만번 시도도 기운빠지는데, 10만번 삽질은 차라리 날 죽여라 소리가 절로 나올 겁니다. 그 행운은 저기 우상단에 위치한 28번 성공에 모조리 몰렸나 봐요. 그나마 아예 한번도 성공 못하는 경우는 없는 게 다행일까요.

그럼 이번에는 혜자롭게(?) 확률을 99.99%로 준 경우를 살펴볼까요. 이건 아무래도 실패를 하는 경우가 더 희귀하지요.

성공 확률이 아무리 99.99%라지만, 100%와는 다릅니다. 진짜 100%가 아닌 이상 !감나빗을 완전히 피해갈 수는 없는 법이죠. 그래도 99.98% 아래의 성공확률을 보여주는 경우는 비교적 드뭅니다.

그러고 보니 동생이 플레이하는 마비노기가 생각나네요. 제가 플레이하던 시절의 마비노기는 물 마시는 것조차 실패가 뜰 확률이 있던 게임이었는데, 요새도 그런지는 모르겠군요.

나무위키 돌아다니다 뜬금없이 생각난 발상을 가지고 스크립트를 짜서 돌리고 그 결과를 그냥 날려버리기 조금 아까워서 글을 쓰기 시작했는데, 이거 생각보다 시간이 오래 걸렸네요. 하여튼 오늘의 뻘짓은 여기까지. 게임 관련 글 보다가 생각난 것이니 게임 게시판에 올립니다.

혁신적인 축구 게임플레이

새롭고 혁신적인 게임플레이 기술인 HyperMotion은 PlayStation®5, Xbox Series X|S, Stadia에서 FIFA 22를 플레이할 때 경기의 모든 순간을 한 단계 향상시킵니다.

게임플레이 공개 시청하기

향상된 11대11 매치 캡처

Xsens 슈트를 바탕으로 사상 처음으로 FIFA 22에서 고강도로 플레이하는 프로 축구 선수의 모션 캡처가 가능해졌습니다. 실제 선수의 움직임을 캡처한 고품질의 방대한 데이터로 FIFA 22의 개별 선수와 팀의 움직임을 세밀하게 구현합니다.

머신 러닝

최첨단의 머신 러닝 알고리즘이 870만 프레임 이상의 고급 매치 캡처를 통해 학습하고, 새로운 애니메이션을 실시간으로 작성하여 경기장의 다양한 상황에서 유기적이며 현실감 넘치는 생생한 축구를 만들어 냅니다.

팀 전체의 생생한 모션

Xsens 슈트로 고강도로 플레이하는 22명 선수들의 터치, 태클, 전력 질주, 몸싸움을 세밀하게 기록합니다. 이 데이터를 기반으로 FIFA 22에서 4,000개 이상의 새로운 애니메이션을 구현하여 게임 내 모든 선수들의 긴장감, 반응, 신체 능력을 향상시킵니다.

전략적인 A.I.

차세대 콘솔의 파워에 기반한 깊이 있는 선수 지능은 각 선수에게 공격과 수비 모두의 포메이션과 움직임을 더 잘 이해하게 하여 새로운 차원의 현실감 넘치는 전술 플레이를 즐길 수 있습니다.

초당 최대 6배 더 많은 판단을 할 수 있게 되어 공격수는 주변 환경을 더 정확하게 인식하며, 빌드 업 플레이에서 더욱 스마트하게 달리고, 루즈 볼에 더욱 빠르게 반응할 수 있습니다.

새롭게 업그레이드된 수비 AI를 통해 팀은 전술 유닛으로 효율적으로 기능하며, 팀 전체가 포메이션을 유지한 채 경기장을 가로지르며 이동하고 빈 공간을 커버할 수 있습니다.

ML - FLOW

고급 11대11 매치 캡처를 바탕으로 870만 개 이상의 프레임을 통해 학습하는 ML-Flow 머신 러닝 알고리즘은 실시간으로 새로운 애니메이션을 작성합니다. 선수들은 볼에 접근할 때 보폭과 달리기 리듬을 더 잘 조절하여 볼을 더 매끄럽게 다루거나 멋진 슛을 날릴 수 있습니다.

역동적인 공중전

두 선수 간의 상호작용 기술이 향상되어 선수 애니메이션이 동기화됨에 따라, 선수들이 볼을 먼저 차지하기 위해 몸싸움을 벌일 때 한층 더 생생하고 반응성 높은 움직임을 보입니다. 수비수와 공격수가 높이 뛰어올라 서로 밀고 당기며 볼 소유권을 다투는 과정에서 크로스, 클리어, 긴 패스를 성공시키는 모습과 헤딩 상황에서 한층 더 뛰어난 액션을 선보이며 깔끔한 결과를 만들어내는 모습을 확인해 보세요.

침착한 볼 컨트롤

더 길어진 투터치 애니메이션을 통해 그 어느 때보다 더 자연스럽고 유연하게 볼을 컨트롤할 수 있습니다. 더 다양한 기술로 공중볼을 차지하고, 더 민첩하게 땅볼을 트래핑하고, 상대의 견고한 수비를 더 강력한 힘으로 뚫고 제치며 FIFA 22에서 새로운 방식으로 전진해 나가세요.

선수 휴머니제이션

향상된 11대11 매치 캡처에 기반한 새로운 오프볼 선수 애니메이션과 주변 동작으로 경기장 내 캐릭터를 생생하게 재현할 수 있습니다. 액션에 따라 상대가 서로 성공 알고리즘 EA 대화하고, 가리키고, 지시하는 모습을 볼 수 있으며, 업데이트된 이동성은 경기장에서 선수들의 긴급한 움직임을 그대로 재현하여 FIFA에서 그 어느 때보다 현실감 넘치고 몰입감 넘치는 플레이를 즐길 수 있습니다.

지금 FIFA 22 플레이하기

FIFA 22 얼티밋 에디션으로 FUT 22를 일찍 시작하세요!

지금 구매하기 신청하기

FIFA 22 소개 뉴스 FIFA 모바일 FIFA 22 구매하기 twitch twitter instagram facebook 게임 탐색 최신 소식 도움말 센터 EA 포럼 회사 소개 커리어 오스트리아 벨기에 불가리아 크로아티아 키프로스 체코 공화국 덴마크 에스토니아 핀란드 프랑스 독일 그리스 헝가리 아이슬란드 아일랜드 이탈리아 라트비아 리히텐슈타인 리투아니아 룩셈부르크 몰타 네덜란드 노르웨이 폴란드 포르투갈 루마니아 슬로베니아 스페인 스웨덴 스위스 United States United Kingdom العربية Australia Brasil 繁體中文(香港) Česká republika Danmark Deutschland España France Italia 日本 대한민국 México Nederland Norge Polska Россия Sverige Türkiye 법적고지 및 개인정보 온라인 서비스 업데이트 사용자 계약 개인정보 및 쿠키 정책 (개인 권한 관련)