게임 스트리밍이란? 


주로 유저가 게임을 처음부터 끝까지 플레이하는 화면을 실시간 혹은 재가공하여 송출하는 영상을 말한다.

유투브(Youtube)나 트위치(Twitch)가 대표적인 플랫폼이다. 

                                                                 <트위치>

게임 스트리밍에 대한 시선은 두 가지이다.

게임 스트리밍이 게임의 실질적 판매를 저하시켜 게임 업계의 손해를 부추긴다는 의견과 스트리밍이 게임의 홍보효과를 

불러와서 결과적으로는 게임 판매를 부추긴다는 의견이 있다. 

어느 한 쪽의 의견이 우세하다기 보다는 게임별로 그 실태가 다르다고 볼 수 있다.

여타 게임들보다 스트리밍으로 인한 수익의 타격을 직접적으로 받는 게임 분야는 스토리 게임이다.

스토리 게임은 말 그대로 이야기가 있는 게임으로 유저가 진행하는 방식과 선택에 따라서 각기 다른 엔딩 버전이 

있거나, 게임을 진행할수록 게임의 스토리가 유저의 궁금증을 자극하는 것이 포인트라 할 수 있다.

이러한 게임을 스트리머가 여과없이 송출된다면 시청자들은 게임 플레이 없이도 모든 것을 관전할 수 있기에

게임의 판매 부수 저조를 유발하는 것은 당연하다고 보여질 것이다. 

실제로 많은 스토리 게임들이 스트리머의 송출을 제지하기 시작하였다. 

그 와중에 유명 스토리 게임 제작사 '텔테일즈'가 폐업하면서 폐업에 직접적인 타격을 준 것이 스트리밍 때문이

아니냐는 논란이 재기되기도 했다.


'텔테일 게임즈'의 유명 게임 '워킹 데드'


그러나 간단히 알아본 결과 '텔테일 게임즈'의 폐업은 여러 원인이 복합된 결과임을 알 수 있다. 

스트리밍 서비스로 톡톡한 효과를 보고 큰 수익을 거둔 스토리 게임도 존재한다. 

디트로이트 비컨 휴먼(Detroit: Become Human)이다. 


                                                                  'Detroit: Become Human'


오히려 '디트로이트 비컴 휴먼'은 스트리머의 스트리밍을 트위터에 리트윗하기 까지 하면서 

스트리밍을 장려하는 듯한 기조를 형성하였다. 


게임 스트리밍으로 홍보 효과를 취하고 이득을 본 게임 제작사 또한 물론 존재한다.

그러나 게임 스트리밍 서비스가 게임 판매에 타격을 주는 것 또한 절대 부정할 수 있는 사실일 것이다. 


이에 대한 절충안은 제작사는 스트리밍 서비스로 자신들이 제작한 게임이 누릴 득과 실을 현명하게 

파악하여서 스트리머를 규제하는 것 아닐지 생각해 보았다. 

스트리밍 관전자들 또한 단순히 스트리밍을 시청하는 것에 그치지 않고 적극적으로 게임을 소비하는 자세가 

필요하다고 생각된다. 













이 기사는 저널리즘 영역에서의 머신러닝의 활용에 대하여 다루고 있다.

머신러닝으로 규모가 큰 데이터를 분류하는 작업을 저널리즘에 적용하면 

탐사보도 영역의 확장을 꾀할 수 있다고 설명한다. 

그 사례들로 글로벌 피싱 워치와 미국 감시 정찰기 분석 보도, 국내 기자의 방화 의심 사건 추적 보도를 소개하고 있다. 

기사에서 언급하듯 머신러닝은 기사의 시작을 열어줄 뿐이며 그 기사를 비로소 완성하는 것은 기자의 몫이다. 

또한 데이터에 대한 검증은 필수적으로 이루어져야 하는 것이다.

머신러닝은 어느 분야에도 적용 가능한 기술이다.

활용도가 큰 만큼 매우 유용한 기술이지만 투명성있고 확실한 데이터와 검증된 알고리즘은 머신러닝에서 가장 중요한 부분인 것 같다. 

머신러닝이라는 과학적인 기법을 사용했다고 해서 의심없이 받아들이기 보다는 데이터와 알고리즘의 진정성을 파악하고 의심해 보는 것도 

정보의 수용자에게 요구되는 자세가 아닐까 하는 생각이 든 기사였다.  

머신러닝 기술이 저널리즘 영역에 구체적으로 어떠한 방식으로 적용되는지 알 수 있었고 생각해 보는 기회가 되었다. 



다음은 사례에 대한 설명이다. 기사를 인용했다.


글로벌 피싱 워치 


해양보호단체 오세아나가 함께 내놓은 글로벌 피싱 워치는 인공지능이 수집한 선박 자동추적장치(AIS) 데이터를 분석해 전세계 바다에서 벌어지는 어업 활동을 표시해주는 웹사이트다.

글로벌 피싱 워치를 활용해 다양한 보도가 이뤄졌다. <뉴욕타임스>, <로이터> 등에서 영해 내에서 벌어지는 남획 사례, 석유 유출이 식량 안보 미치는 영향 등을 분석해 보도했다.


플라이트레이더24


버즈피드 뉴스는 머신러닝 데이터 분석을 통해 FBI 감시 정찰기의 이동 경로를 식별했다. 항공기 추적 웹사이트 '플라이트레이더24'를 통해 미국 상공을 비행하는 항공기 위치, 경도, 비행 궤도, 고도 등 데이터를 수집하고, 미국 연방 항공기 등록 데이터를 활용했다. 이를 바탕으로 감시 정찰기를 통해 이뤄지는 광범위한 감시 활동을 보도했다.


방화의심 사건 추적 보도


함형건 YTN 기자는 머신러닝을 활용해 방화 의심 사건을 추적 보도했다. 랜덤 포레스트 알고리즘을 사용해 정보공개청구를 통해 얻은 6개 구역의 화재 데이터 2700건 중 150건의 방화 의심 데이터를 추출했다. 기계의 힘을 빌려 취재해야 할 대상, 수상한 화재 데이터를 좁히고 국내 화재 조사 제도의 허점을 짚어 보도했다.



글로벌 피싱 워치: https://globalfishingwatch.org/

플라이터레이더24: https://www.flightradar24.com/60,15/6

방화의심 사건 기사 전문: http://datajournalismawards.kr/portfolio/gallery-5/

본 기사 전문: http://www.bloter.net/archives/326987


MOOC이란?


MOOC는 ‘온라인 공개 수업(Massive Open Online Course)’의 약자이다. 

MOOC의 사전상 의미는 ‘대규모 사용자를 대상으로 제공하는 온라인 공개 수업’이다. 

대학 수업을 온라인으로 접속해 들으면서 동시에 무료로 들을 수 있는 강의를 MOOC라고 표현한다. 

테드(TED)와 같은 1회성 강의도 MOOC에 포함된다. MOOC 플랫폼 수가 점점 늘어나면서 그 영향력이 확장되고 있다.


edwith


웹 서핑을 하던 중에 edwith라는 서비스를 알게되었다. edwith는 MOOC를 위한 플랫폼과 양질의 강좌를 제공한다는 곳이다.

사이트에 들어가보면 국내외 유수의 대학들의 강의들이 올라와있다. 


 

강의는 소프트웨어 개발, UX 디자인, 비즈니스, 우수 대학 강좌, 수학, 영어로 분류되어 있다.


그 중에서도 내가 선택한 강의는 Michigan 대학 Charles Severance 교수가 진행하는 '모두를 위한 파이썬' 이라는 강의이다.




파이썬 강의를 선택한 이유는 파이썬은 비교적 쉬운 언어로 통하고,

여러 분야에서 사용되는 중이지만 정작 나는 무지하기 때문이었다.

따라서 파이썬이란 어떠한 언어인지를 알아보기 위해 강의를 수강중에 있다. 

강의는 도합 5시간 정도의 분량으로 짧은 편이라 할 수 있다.


각 CHAPTER를 모두 수강한 이후에는 퀴즈를 통해 자가학습 또한 가능하다.


강의에서 다뤄지는 코드 난이도는 매우 쉬운편이다. 








구글(Google)이 개발하는 머신러닝(기계학습) 전용 프로세서인 'TPU(Tensor Processing Unit)'를 구글 데이터 센터 네트워크와 연결한 머신 'TPU 팟(Pod)'의 새로운 버전이 탄생했다.




구글(Google)이 개발하는 머신러닝(기계학습) 전용 프로세서인 'TPU(Tensor Processing Unit)'를 구글 데이터 센터 네트워크와 연결한 머신 'TPU 팟(Pod)'의 새로운 버전이 탄생했다. 

구글은 구글 클라우드를 통해 "2세대 TPU를 채용한 'TPU V2 팟'을 채용하여 기계학습의 연산 속도를 대폭 향상시켰으며, 사용자는 더 낮은 비용으로 연산할 수 있게 됐다"며 TPU 팟에서 기계학습의 시간과 비용이 극적으로 줄어들 것이라고 강조했다. 

구글은 이날 발표에서 TPU를 256개 탑재한 풀 스케일의 TPU V2 팟은 엔비디아(NVIDIA)의 '테슬라(Tesla) V100'에 비해 200배 이상의 기계학습 연산 속도를 가진다고 주장했다. 또한 'ResNet-50'을 훈련하는 경우 'n1-standard-64'의 구글 클라우드 VM에 8개의 테슬라 V100을 탑재한 머신에 비해 TPU V2 팟은 계산 속도가 27배로 빠른 반면, 총 계산 비용은 38% 절감할 수 있다고 설명했다. 

구글은 기계학습과 딥러닝에 최적화된 인공지능 전문 칩 'TPU'를 2013년 자체 개발한 이후 2015년부터 운용하기 시작했으며, 2017년 'TPU V2'를 거쳐 올해 5월에는 수냉식인 'TPU 3.0'을 발표했다. 이어 7월에는 하드웨어 AI 가속기를 클라우드뿐만 아니라 엣지까지 전 영역에서 운영할 수 있는 업그레이드 버전 '엣지 TPU'를 개발했다. 그리고 이번에 보다 빠르고 낮은 비용의 기계학습을 구현하는데 성공함으로써 기술력을 한 단계 업그레이드했다. 

기계학습이나 딥러닝에서는 모델을 트레이닝하는 데 엄청난 연산을 처리할 필요가 있기 때문에, 학습 실행에는 며칠에서 몇 주가 걸리는 경우가 있다. 따라서 개발의 생산성을 향상시키기 위해 훈련 등의 연산 속도를 높이는 것은 기술 성장의 가장 큰 과제가 되고 있다. 구글은 '구글 클라우드 플랫폼(GPC)'을 통해 TPU 시스템을 클라우드에서 렌탈하는 서비스 '클라우드 TPU'를 제공해 왔다.  

그로 인해, 데이터 센터 네트워크에 접속한 TPU 팟을 사용하는 것으로, 대규모 계산 자원을 필요로 하는 기계학습이나 딥러닝 등을 '텐서플로(TensorFlow)'로 실시할 수 있게 되었으며, 그 결과 연구자와 개발자는 저비용으로 기계학습의 계산 결과를 빠르게 얻을 수 있게 되었다.


http://www.egreennews.com/view.php?ud=201812141832227142e8b8a793f7_1

+ Recent posts