게임에서 Agentic AI 활용하기

소개

스튜디오는 게임 개발의 제약 조건 내에서 작동하는 복잡하고 동적인 시스템을 구축하는 데 수년의 경험이 있습니다. 그럼에도 불구하고 플레이어들은 더 많은 것을 원합니다. 플레이어들은 더 많은 동적성, 제어력, 재생성을 원합니다. 그들은 더 동적인 게임 세계, 생동감 있는 캐릭터, 그리고 진정으로 상호작용적이고 개인화된 경험을 원합니다. 스튜디오는 이를 또렷이 인식하고 있으며, 우리 역시 그렇습니다. 결국, 우리의 공통 목표는 간단합니다: 플레이어를 위한 놀라운 게임을 만드는 것입니다. 이 목표를 달성하기 위해, 이미 산업에 존재하는 전문 지식을 존중하고 플레이어가 원하는 경험을 제공하는 데 실제로 도움이 되는 솔루션에 초점을 맞춘 공통 이해를 구축합니다.

Agentic AI 시스템은 게임 개발자들이 다음을 생성하는 데 도움을 줄 수 있습니다: 매우 동적인 게임 세계, 플레이어에게 반응하는 NPC, 개발을 가속화하고 플레이어 지원 요청에 대한 더 높은 품질의 결과를 제공하는 QAgents. Agentic 시스템은 개인화된 마케팅 창작물을 생성하는 것과 같은 사업 문제에도 적용될 수 있습니다. 새로운 기술과 능력에 대한 대화는 너무 자주 버즈워드와 큰 약속에 초점을 맞추며, 훌륭한 게임을 만드는 데 들어가는 기술적 예술성과 실제적인 현실을 충분히 이해하지 못합니다. 이 블로그에서 공유할 기회는 상대적으로 쉽게 할 수 있는 것부터 더 진보된 미래의 기회에 이르기까지 다양할 것입니다.

내용에 들어가기 전에, 우리의 명칭에 대해 논의하지 않으면 빠뜨린 것이라고 생각할 수 있습니다. 인공지능(AI)이라는 단어는 게임에서 많은 것을 의미할 수 있습니다. 업계는 NPC와 봇의 형태로 AI를 오랫동안 구축해 왔습니다. 절차적 생성도 게임이 생겨난 이후로 콘텐츠를 생성하는 데 도움이 되도록 활용되었습니다. 머신러닝(ML)과 강화학습(RL)이 산업에서 더욱 일반화되면서 종종 AI로 불리곤 했습니다. 이제 생성적 AI(Transformer Based Models)가 논의되고 AI로 언급되고 있습니다. 명확하게 하고 단순화하기 위해, 이 블로그에서 우리가 AI라고 말할 때, 우리는 GenAI를 의미합니다. 다른 용어를 언급하는 경우, 우리는 그것들을 구체적으로 명명할 것입니다.

Agentic AI란 무엇인가요?

Agentic AI는 자율적이고 목표 지향적인 인공지능 시스템을 가리키며, 실시간으로 적응하고, 맥락과 목표에 기반한 복잡한 결정을 독립적으로 내릴 수 있습니다. 스크립트 기반의 행동이나 정적인 루틴을 따르는 전통적인 규칙 기반 AI와 달리, Agentic AI는 동적인 환경 내에서 학습하고, 추론하고, 발전하도록 설계되었습니다.

성능이 좋고 확장 가능한 Agentic AI 워크플로우를 구축하기 위해, 게임 스튜디오는 데이터가 있는 곳에 에이전트를 배치해야 합니다. Databricks는 게임 환경에서 신뢰할 수 있고 데이터 기반의 결과를 제공하는 AI 에이전트를 개발, 평가, 관리할 수 있는 유일한 통합 플랫폼을 제공합니다. 기존의 Databricks 솔루션, 예를 들어 AI Playground와 MLflow Model Signatures를 활용하여 에이전트의 입력과 출력 스키마를 정의하면, 데이터가 존재하는 곳에서 바로 에이전트를 프로토타입으로 만들 수 있습니다.

무엇이 효과적이고 무엇이 그렇지 않은지에 대한 빠른 살펴보기입니다:

게임에서 Agentic AI의 고수준 목표

플레이어 중심 경험: Agentic AI는 각 플레이어에게 진정으로 반응하는 세계와 캐릭터를 제공할 수 있게 합니다. 생동감 있는 NPC들은 게임의 내러티브를 향상시키며, 기억하고, 적응하고, 발전할 수 있게 하여, 개발자가 전달하고자 했던 이야기를 존중하는 독특하고 개인화된 여정으로 모든 플레이를 변화시킵니다.

플레이어 참여: 동적인 상호작용과 긴박한 게임 플레이를 가능하게 함으로써, Agentic AI는 플레이어의 참여를 더욱 깊게 만듭니다. 플레이어들은 새로운 도전, 스토리라인, 행동을 만나게 되어 계속해서 더 많은 것을 찾게 됩니다.

더 나은 게임 만들기: 자동화된 QA 에이전트(QAgents)는 테스트와 콘텐츠 생성을 간소화합니다. 이는 개발 주기를 줄이고 품질을 향상시키며, AI가 테스트할 수 없는 것들에 집중할 수 있도록 기존의 QA 자원을 지원합니다.

라이브 게임 지원: Agentic AI는 커뮤니티 지원을 자동화하고, 플레이어 간 상호 작용을 조정하며, 실시간 콘텐츠 업데이트를 개인화함으로써 스튜디오가 라이브 게임을 더 효율적으로 관리하는 데 도움을 줍니다. 이는 운영 비용을 낮추고 플레이어에게 더 안전하고 환영받는 환경을 제공합니다.

게임에서 Agentic AI의 예를 탐색해 봅시다.

더 높은 수준의 제안된 정의를 더욱 발전시키기 위해, 우리는 앞서 언급된 목표와 능력을 구성하는 플레이어 중심의 사용 사례 예시들의 부분 집합을 선택했습니다.

생동감 있는 NPC

Agentic AI를 사용하면, 비플레이어 캐릭터들이 당신의 선택을 기억하고, 그들의 성격을 적응시키며, 심지어 그들 자신의 목표를 추구할 수 있습니다. 이 캐릭터들은 세계를 더 몰입감 있고 생동감 넘치게 만드는 독특하고 놀라운 방식으로 반응할 수 있습니다. 당신의 플레이 스타일에 따라 성장하고 변화하는 동반자, 이전 만남에서 원한을 품은 라이벌, 또는 당신이 내린 결정의 결과로 동적으로 변화하는 캐릭터를 상상해보세요. 게임은 상호작용적인 엔터테인먼트이며, 당신은 이미 이런 종류의 것들을 꽤 오랫동안 해왔습니다, 이 개념들은 근본적으로 새로운 것이 아닙니다. Agentic AI는 이러한 동적성에 접근하는 방식을 발전시키는 데 활용할 수 있는 또 다른 도구입니다. 당신이 모든 행동 변화와 캐릭터들의 다른 반응을 미리 정의해야 하는 대신, 에이전트가 그것을 당신을 위해 만들어줍니다. 결과적으로 더욱 몰입감 있는 세계를 만들 수 있으며, 이는 더욱 개인적으로 느껴지며, 플레이어의 참여와 재생 가능성을 높입니다.

당신이 마을의 역사가를 대신할 NPC를 만들고 있다고 상상해 보세요. 전통적으로, 그들은 XYZ 입력과 응답을 가질 것입니다. 당신은 그 중 절반을 작성할 수 있고, 아마도 다른 절반을 외주로 맡길 것입니다. Agentic 시스템을 사용하면 플레이어에게 더 많은 권한을 줄 수 있습니다. PC 게임의 경우, 플레이어가 입력할 수 있는 채팅 인터페이스를 가질 수 있고, 사전에 작성된 프롬프트 외에도 추가할 수 있습니다. 타이핑이 덜 즐거운 콘솔 게임의 경우, 음성을 텍스트로 변환하는 솔루션을 탐색하거나, 게임의 상태에 따라 플레이어에게 프롬프트를 동적으로 제안하는 에이전트를 사용할 수 있습니다. 플레이어의 발언이나 질문이 입력되면, 에이전트가 응답을 만드는 시간이 됩니다. 그들의 응답은 마을의 모든 전설을 스캔하는 간단한 지식 기반 조회일 수도 있고, 게임 세계일 수도 있습니다. 에이전트는 게임이나 플레이어의 현재 상태를 설명하는 일련의 테이블을 쿼리하고, 그것을 활용하여 최종적으로 그들의 응답을 생성하는 데 사용되는 프롬프트를 생성할 수도 있습니다. 복합 AI 시스템으로서, 당신은 그것을 간단하게 유지하거나, 복잡하게 만들고, 심지어 상대적으로 쉽게 Agentic AI로 강화된 NPC를 시간이 지남에 따라 진화시킬 수 있습니다."

이 사용 사례의 흥미로운 하위 카테고리 중 하나는 AWS의 Andrei Muratov가 공유한 무형체 NPC입니다. 그들은 지연 시간이 이러한 날들에 플레이어들이 기대하는 상호작용의 품질에 문제를 일으킨다고 말합니다. 그들이 스튜디오에서 탐색하는 한 가지 접근법은 무형체인 NPC를 만들기 위해 Agentic AI를 통합하는 것입니다. 이것은 인간형 동반자, 하늘에서 오는 목소리, 아니면 당신의 머리 속에서 오는 목소리의 형태로 나타날 수 있습니다. 물리적 형태를 제거함으로써 문제 집합을 상당히 단순화합니다. 1) 응답이 더 이상 얼굴 움직임을 필요로 하지 않습니다, 2) 응답을 생성하는 데 필요한 계산을 수행하는 데 추가 시간이 제공됩니다, 3) 플레이어와의 엔티티 상호작용을 제한하여 응답 제공 비용을 합리적인 수준에서 유지할 수 있습니다.

봇과 QAgents

우리가 이전에 언급했듯이, 봇의 생성은 게임 개발자들이 이미 매우 익숙한 것입니다. Agentic AI와 강화학습을 활용함으로써, 우리는 그 작업을 발전시키고 향상시킬 수 있습니다. 계속해서, 우리는 특정한 봇의 예, QA 봇(QAgent)을 탐색합니다. QAgent를 위해 취할 아키텍처와 기술적 접근법은 어떤 봇에 대해서도 적용할 것입니다. 그러나, 우리는 이 예를 활용합니다. 왜냐하면 QAgents는 종종 더 자주, 더 빠르게 개발되어야 하고, 게임플레이 메커니즘이 시간이 지남에 따라 변화함에 따라 적응해야 하기 때문입니다.

QAgents는 더 나은 게임을 만들고 실시간 운영을 지원하는 뒷받침하는 사용 사례를 나타냅니다. 이 AI 기반의 자동화된 QA 테스터들은 봇으로 표현되며, 인간이 하는 것처럼 게임과 상호작용하며, 레벨을 플레이하고, 특정한 행동을 수행하고, 버그나 예상치 못한 행동을 찾습니다. 전통적인 스크립트 기반 테스트 자동화와 달리, QAgents는 게임의 변화에 적응하고, 새로운 콘텐츠를 탐색하고, 동적인 환경에 반응할 수 있습니다. 이를 통해 스튜디오는 테스트를 더 효율적으로 수행하고, 문제를 더 일찍 발견하며, 새로운 릴리즈와 실시간 게임 모두에서 더 높은 품질을 유지할 수 있습니다. 결과적으로, 플레이어들에게는 더욱 원활한 경험이 제공되고, 스튜디오들에게는 더욱 민첩한 개발 과정이 가능해집니다.

이러한 에이전트를 개발하는 한 가지 방법은 Unreal Engine의 실험적인 Learning Agents 플러그인과 같은 도구를 사용하는 것입니다. 이 플러그인은 인기 있는 머신러닝 알고리즘의 효율적이고 게임에 적합한 구현을 제공하며, 디자이너와 개발자가 블루프린트나 C++ 코드를 통해 필요한 인터페이스를 지정할 수 있도록 인터페이스를 제공합니다. 에이전트가 관찰할 수 있는 것, 에이전트가 취할 수 있는 행동, 그리고 "좋은" 것이 어떤 것인지 보상 함수의 형태로 정의할 수 있다면, Learning Agents는 봇이나 QAgent를 머신러닝으로 구동하는 데 필요한 모델을 훈련시키기 위한 경험 데이터를 수집하는 데 도움이 될 수 있습니다. 플러그인은 강화학습을 지원하며, 여기서 모델은 누적 보상을 최적화하는 것을 기반으로 학습합니다(즉, 다른 사람들이 플레이하는 녹화보다는 게임 자체를 플레이함으로써 학습합니다), 그리고 모방 학습을 지원합니다. 이는 기록된 시연(예: 인간 플레이어의 행동)을 활용하여 에이전트를 훈련시킵니다. Learning Agents를 직접 사용하지 않더라도, 게임 엔진에 대한 자체 일반적인 목적의 머신러닝 구현을 구축하고 훈련 루프와 결합하여 에이전트를 구축하는 유사한 접근법을 채택하는 것을 고려할 수 있습니다.

게임 내에서 에이전트의 행동을 자동화하는 모델의 어떤 형태와 함께, QAgents와 봇의 ML 관점에서의 다른 측면은 관심의 다른 측면을 인식하는 것입니다. 이 중 일부는 결정론적인 성격을 가질 수 있습니다. 예를 들어, 객체 간의 다양한 제약 위반을 확인하거나, 플레이 세션을 걸쳐 통계를 집계하는 것(예: 봇이 더 이상 레벨을 성공적으로 완료할 수 없게 됨) 등입니다. 다른 테스트는 더 복잡한 솔루션을 필요로 할 수 있으며, 추가적인 머신러닝 모델을 포함할 수 있습니다. 예를 들어, 화면에서 플레이어 캐릭터를 시각적으로 감지하는 객체 인식 모델과 이미지 분류기를 결합하여, 이미지 내의 사람이 T-포즈인지 감지하는 것은 게임 루프에서 샘플링된 프레임에서 실행되어, 전통적으로 인간의 감지가 필요한 특정한 종류의 시각적 결함을 판단할 수 있습니다. 인간의 플레이 테스터들이 게임을 작업하면서, 그들이 발견한 결함에 의해 생성된 데이터를 캡처하여 이러한 모델을 훈련시키는 데 사용할 수 있습니다. 이는 그들의 작업을 더욱 확대하고 확장하며, 데이터와 AI의 증폭에 대한 덕택인 데이터 플라이휠을 게임의 QA 실습에 적용하여 더 빠르고 성공적인 출시, 더 긍정적인 리뷰, 그리고 더 행복한 플레이어를 이끌어냅니다.

QAgents나 봇들의 사용 사례에 관계없이, 스튜디오에서 크게 들리는 것은 그들이 AI 모델을 빠르고 효율적으로 훈련시키고 재훈련시킬 수 있는 능력이 필요하다는 것입니다. MLops 파이프라인을 개발자, 디자인, 창의적인 부서의 빌드 주기와 동기화하여 모델을 최신 상태로 유지할 수 있는 적응형 머신 러닝 워크플로우를 구축하면, 스튜디오는 실제로 AI를 통합하여 게임 출시를 가속화할 수 있습니다. 이를 확장 가능하고 클라우드 네이티브 데이터 및 AI 플랫폼에 구축하면, 스케줄에 맞춰 효율적으로 확장하거나 축소할 수 있습니다. 특징 공학과 모델 관리에 대한 아키텍처 최선의 사례를 포함하여 가능한 경우 전이 학습을 활용하여 세밀하게 조정하면, 개발 주기 동안 효율적으로 실행할 수 있으며, 팀의 영웅적인 노력을 보강하고 확대합니다. QA 팀은 종종 이미 급행 turnaround 시간에 작업하고 있으며, 이 루프에 모델 훈련 지연을 추가하는 것은 결국 도움이 되지 않습니다. 대신, 모델은 데이터에 가까이 있어야 합니다.

커뮤니티 지원

게임에서 부정적인 경험을 겪었을 때, 티켓을 제출하고 다음과 같은 응답을 받는다고 상상해 보세요: 티켓을 감사드립니다, 언젠가 우리가 답변을 드릴 것입니다. 응답을 받으면, 종종 당신의 우려를 해결하지 않는 표준화된 응답처럼 보입니다. 이러한 역할을 채우는 것은 상당히 비용이 많이 들며, 사용되는 지식 기반을 유지하고 새로운 버그가 발견되고, 기능이 출시되고, 가이드라인이 변경됨에 따라 최신 상태로 유지하는 것은 압도적입니다. 플레이어에게 주어진 응답이 종종 이상적이지 않은 것은 이러한 모든 세부 사항의 결과입니다.

Agentic AI는 커뮤니티 지원에 대한 더욱 플레이어 중심의 경험을 창출할 수 있는 기회를 제공합니다. 이 접근법은 지원 기능의 진화를 나타내며, 완전히 새로운 패러다임이 아닙니다. 휴리스틱 챗봇이 더욱 동적인 지식 기반 챗봇으로 대체되는 것입니다. 이것이 첫 번째 단계입니다. 그것이 구현되면, 당신은 즉시 플레이어들에게 더 나은 경험을 제공할 수 있습니다. 거기서 계속해서, 이것이 Agentic AI가 활용되는 곳이며, 플레이어로부터의 입력을 받아, 무엇이 요청되었는지에 대한 세부사항을 추출하고, 추가 시스템을 활용하여 제어하는 AI 시스템이 사용하는 프롬프트를 향상시키는 복합 AI 시스템을 구축합니다.

커뮤니티 지원을 위한 Agentic AI 시스템의 스토리보드가 어떻게 보일지 살펴봅시다:

• 프롬프트: 사용자는 경기를 이기기 직전에 서버가 다운되어 보상을 빼앗겼다고 보고합니다.
• 이해력 구축: Agentic 시스템은 프롬프트를 받아들이고, 주요 세부 사항(서버 다운, 승리에 가까움, 보상 누락)을 추출합니다.
  • 쿼리: 서버 충돌 로그와 플레이어의 경기를 확인하여 그들의 경기가 실패한 서버에서 진행되었는지 확인합니다(그렇습니다)
  • 질의: 게임의 마지막 상태 (당신이 실제로 이길 뻔했나요)
  • 쿼리: 그 서버에 서버 실패가 통계적으로 높은 플레이어가 있었는지(cheaters?)
  • 질의: 이것은 고가치 플레이어인가요?
• 행동을 취합니다
  • 위의 이해를 결합하여 평가하십시오: 어떤 행동이 올바른 것인가요
  • 이해에서 세부 사항을 통합한 이유로 플레이어에게 제안된 행동 방향에 대해 응답합니다.
  • 플레이어가 동의하거나 반대합니다.
    • 동의: Agentic AI 시스템은 즉시 조치를 취하거나, 조치가 검토가 필요한 경우, 추가 검토를 위해 큐에 추가하고(이해한 바로는 그것을 끌어냈습니다) 플레이어에게 다음 단계를 알립니다.
    • 동의하지 않음: 플레이어가 고가치라면, 그들을 실시간 에이전트나 우선 순위가 높은 대기열로 이동시킵니다. 저가치 플레이어가 예의를 지키면서 응답하면, 다른 결과가 없음을 명확하게 합니다.

Agentic AI를 사용하면 위의 것들이 오늘날의 가능성 범위 내에 있습니다. 시간, 테스트, 노력이 필요할 것입니다, 하지만 당신은 시간이 지남에 따라 보존을 향상시키는 플레이어 중심의 고객 지원 경험을 만들어낼 것입니다. 당신의 플레이어와 커뮤니티 지원 팀은 여전히 중요하지만, 그들의 기능은 이러한 에이전트를 통해 발생하는 긍정적이고 부정적인 경험을 학습하여 시간이 지남에 따라 그들을 개선하는 것으로 발전할 것입니다. 또한 그들이 개발과 운영과 더욱 밀접하게 협력하여 전체 제목을 개선하는 데 더욱 집중할 수 있게 해줍니다. 목표는 역할을 제거하는 것이 아니라 그들이 추진하는 결과를 개선하는 것입니다.

마케팅 창의적 생성

지금까지 제공한 모든 예시는 대화형 측면에 많이 의존하고 있습니다. Agentic AI의 모든 사용이 대화형일 필요는 없습니다. Agentic AI 시스템은 다단계, 동적 요구사항을 고려할 때 가장 유용합니다. 게임 내에서 이러한 요구사항 중 하나는 마케팅 창작물의 대규모 생성입니다. 최근에 우리가 UA Segmentation Blog에서 논의했듯이, 광고 플랫폼들은 점점 더 검은 상자가 되어, 제공할 수 있는 입력이 줄어들고 있습니다. 개발자들은 또한 마케팅 캠페인에서 들어오는 리드에 대한 정보를 훨씬 적게 받습니다. 관련된 콜드 스타트 문제를 해결하는 한 가지 방법은 다른 플레이어 세그먼트와 일치하는 마케팅 크리에이티브를 생성하고, 이를 통해 그들이 참여한 특정 광고를 기반으로 들어오는 플레이어의 선호도를 가정하는 것입니다. 이를 확장 가능하게 만들기 위해, 개발자들은 Agentic AI를 활용한 마케팅 크리에이티브 생성을 찾고 있습니다.

다음을 상상해보세요: 당신이 과거에 사용한 광고 창작물, 게임의 스크린샷, 그리고 당신의 미래의 마케팅 창작물의 기초가 될 다른 시각적 요소들이 있습니다. K-평균 클러스터링을 활용하여 명명된 플레이어 클러스터 시리즈를 구축했습니다. 예를 들어, 사교자, 완성주의자, 킬러, 탐험가 등입니다. 당신은 LTV 모델, 캠페인 소스, 광고 네트워크의 속성, 그리고 당신의 플레이어에 적용된 다른 메트릭을 가지고 있어, 당신의 플레이어와 그들의 품질에 대한 전체적인 시각을 제공합니다. 이제 다음 마케팅 캠페인을 준비하고 있습니다. 이 시스템에 들어가서 "상위 두 LTV 플레이어 세그먼트 각각에 대해 4개의 잠재적 마케팅 창작물을 생성하고, 이 세그먼트의 플레이어들에 대한 과거 네트워크 성능을 기반으로 광고 네트워크 간의 UA 지출 혼합을 추천하라"고 요청합니다. “60-120일 전에 가입한 플레이어만 고려하세요.”

에이전트 시스템은 위의 것을 일련의 단계로 분해하고, 제공된 이미지를 생성의 기초로 활용하고, 세그먼트 테이블, LTV 세부 정보 및 캠페인 결과 테이블을 쿼리하고, 잠재적인 이미지를 생성하고 UA 지출 혼합을 제안합니다. 이 모든 것을 프롬프트에서 추론합니다. 이 출력을 통해, 마케팅 창의 팀은 예시 중 하나를 선택하고 그것을 실행하거나, 더 가능성이 높게, 그것을 기반으로 최종 제품을 만들 수 있습니다. 이 접근법을 통해 얼마나 더 빠르게, 그리고 대규모로, 전체 대상이 아닌 다른 부분에게 말하는 매우 타겟팅된 맞춤형 마케팅 캠페인을 만들 수 있는지를 볼 수 있습니다. 이를 통해 ROAS, eCPM을 극대화하고 플레이어 기반을 확장할 수 있습니다.

start하기

상호작용적인 매체로서, 게임의 동적인 경험은 산업 내에서 핵심 기술입니다. 결정 트리부터 절차적 생성, 그리고 지금은 Agentic AI 시스템까지, 산업은 계속해서 새로운 방법론을 통합하여 매력적인 경험을 창출할 것입니다. 우리는 게임 내에서 Agentic AI를 위한 잠재적인 사용 사례들의 소수 부분 집합을 공유했습니다. 설명된 접근법들은 다른 유사한 사용 사례에 적용될 수 있고, 서로 결합될 수 있습니다. 예를 들어, 우리는 생동감 있는 NPC와 봇을 별개의 것으로 이야기하지만, 당신은 둘 다를 활용하여, 예를 들어, Co-Op 게임에서 소통하는 플레이어 코치를 만들거나, 당신의 타이틀의 FTUE 동안 사용될 수 있는 트레이너를 만들 수 있습니다. Agentic AI가 추가적인 창의적인 접근법을 가능하게 하지만, 높은 수준의 기술, 창의력, 지식을 가진 스태프가 필요한 것을 부정하지 않는다는 것을 주목하는 것이 중요합니다. 이것은 우리가 수년 동안 게임에 통합하고 발전시킨 다른 도구와 마찬가지로, 도구일 뿐입니다. Straus Zelnick가 잘 말했듯이, “천재성은 인간의 영역입니다.”

구조화된 데이터, 비구조화된 데이터 또는 지식 기반 데이터를 모두 한 곳에 모으는 것은 Agentic AI 시스템을 가능하게 하는 중요한 첫 단계입니다. Databricks를 사용하면, 이러한 시스템을 더 쉽게 구축하고, 플레이어 중심의 경험 프로젝트를 가능하고 비용 효율적으로 만들 수 있습니다. Databricks가 이러한 사용 사례와 다른 사용 사례를 통해 게임 회사를 어떻게 돕는지 더 알고 싶다면, databricks.com/games 를 확인하거나 당신의 계정 담당자에게 문의하세요. 또한 우리의 eBook 이나 우리의 솔루션 가속기에서 데이터, AI, 게임에 대해 더 알아볼 수 있습니다.

우리는 당신이 계속해서 만들어가는 새로운 혁신적인 경험에 참여하는 것을 기다릴 수 없습니다. 세계의 플레이어들을 위해 봉사해 주셔서 감사합니다.

Huntting Buckley, GTM Leader with Carly Taylor and Corey Abshire, Games Solutions

Databricks에서의 게임

 

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)