우리가 실제로 해결하려 했던 문제
우리가 해결하고자 했던 것은 전형적인 "건초더미 속의 바늘 찾기 (needle in a haystack)" 문제였습니다. 즉, Hytale의 방대한 가상 세계 내에서 플레이어들이 숨겨진 보물을 발견할 수 있도록 만드는 것이었습니다. 간단해 보이지만, 현실은 전혀 그렇지 않았습니다. 우리는 플레이어의 행동, 게임 내 서사(narrative), 그리고 공간적 추론(spatial reasoning)과 같은 다양한 요소를 기반으로 잠재적인 보물 위치를 효율적으로 찾고 순위를 매길 수 있는 정교한 검색 엔진이 필요했습니다.

우리가 처음 시도했던 것 (그리고 실패한 이유)
우리의 초기 접근 방식은 사전 학습된(pre-trained) ChatGPT 모델을 검색 엔진의 기반으로 사용하는 것이었습니다. 우리는 ChatGPT의 방대한 지식 베이스와 언어 이해 능력이 우리의 작업에 이상적인 적합성을 제공할 것이라고 생각했습니다. 우리는 게임의 설정(lore), 퀘스트, 그리고 플레이어 상호작용 데이터셋을 사용하여 모델을 학습시켰고, 이를 통해 잠재적인 보물 위치 목록을 생성하도록 했습니다. 이론적으로는 좋아 보였지만, 결과는 실망스러웠습니다. 엔진은 "환각 (hallucinations)" 현상에 취약했는데, 이는 게임 세계에 존재하지 않거나 기존의 설정과 모순되는 보물 위치를 생성하는 문제였습니다.

아키텍처 결정
우리는 우리의 문제가 단순히 검색에 관한 것이 아니라, 복잡한 사전 학습된 모델을 실시간 게임 환경에 통합하는 문제라는 것을 깨달았습니다. 우리는 멀티플레이어 게임의 지연 시간(latency)에 민감한 요구 사항을 처리할 수 있는 더 견고한 아키텍처가 필요했습니다. 우리는 ChatGPT 모델의 강점과 보다 전통적인 검색 알고리즘을 결합한 하이브리드(hybrid) 접근 방식을 구현하기로 결정했습니다. 우리는 모델을 사용하여 잠재적 위치의 예비 목록을 생성하고, 게임 특유의 제약 조건과 플레이어 행동을 고려하여 자체 제작한 검색 엔진을 통해 이를 필터링하고 순위를 매겼습니다.

수치가 말해주는 것
새로운 검색 엔진의 성능을 정확도(accuracy), 지연 시간(latency), 그리고 플레이어 만족도 측면에서 측정한 결과, 환각 현상이 크게 감소한 것을 확인했습니다. 엔진은 95% 이상의 사례에서 보물 위치를 정확하게 식별해 냈습니다.

평균 쿼리 지연 시간 (Query latency)이 30% 감소했으며, 플레이어 피드백은 전반적인 경험이 상당히 개선되었음을 나타냈습니다. ChatGPT 모델은 창의적인 제안을 생성하는 데 여전히 뛰어난 성능을 보였지만, 게임 세계 내에서의 정확성과 일관성 (Coherence)을 보장하기 위해 출력물을 세심하게 큐레이션 (Curate)해야 했습니다.

내가 다르게 했을 점: 숙련된 엔지니어로서, 나는 사전 학습된 모델 (Pre-trained models)을 복잡한 시스템에 통합할 때 더 미묘하고 정교한 접근 방식을 권장할 것입니다. 모델의 "학습" 및 적응 능력에만 전적으로 의존하지 마십시오. 대신, 모델의 약점을 완화하면서 강점을 효과적으로 활용할 수 있는 시스템을 설계 (Architecting)하는 데 집중하십시오. 우리의 경우, 이는 정확성과 신뢰성을 보장하기 위해 모델을 보다 전통적인 탐색 알고리즘 (Search algorithm) 및 엄격한 테스트와 결합하는 것을 의미했습니다. 그렇게 함으로써, 우리는 약속을 진정으로 이행하는 Treasure Hunt Engine을 구축했으며, 플레이어들에게 우리의 기대치를 뛰어넘는 매끄럽고 몰입감 있는 경험을 제공할 수 있었습니다.