메타버스와 교육

스토리텔링이 단방향을 벗어나 점차 양방향으로 변화함에 따라 유저가 기본스토리 자체의 무결성을 훼손하지 않으면서도 

자신의 스토리를 만들어 가는 스토리리빙으로 발전하고 있다. (미래 자동차 종합연구센터 정지훈 논문 발췌)

 메타버스 플랫폼 개발에 대한 경쟁이 치열한 가운데, 웹 3.0 시대에 메타버스가 나아가야 할 방향에 대해 알아본다. 차세대 인터넷 환경을 의미하는 웹 3.0은 모든 메타버스 플랫폼이 나아가야 할 방향성을 제시한다. 주로 검색과 하이퍼텍스트의 링크 형태로서 정보를 제공하는 월드 와이드 웹(World Wide Web, WWWW) 서비스 시대의 웹 1.0과 개방, 참여, 공유를 바탕으로 양방향 소통 서비스를 제공하던 웹 2.0의 시대에서 암호화폐 기반 블록체인 네트워크를 활용하여 사용자 데이터 기반 맞춤 서비스 제공이 가능한 웹 3.0 시대가 시작되고 있다. 웹 3.0이란 컴퓨터가 시맨틱웹 기술을 이용해 웹페이지에 담긴 내용을 이해하고 개인 맞춤형 정보를 제공하는 지능형 웹 기술을 말한다. 웹 3.0은 인공지능, 블록체인 네트워크를 활용한 탈중앙화 웹으로 디지털 트윈과 같은 기술을 적용, 물리적 데이터를 3차원으로 구축한 공간 웹(Spatial Web) 형태의 메타버스 생태계를 추구한다. 디센트럴랜드, 더 샌드박스는 웹 3.0에 가까워지는 메타버스 플랫폼이라 볼 수 있다. 디센트럴랜드의 마나(Mana) 코인, 더 샌드박스의 샌드박스(Sandbox) 코인과 같은 암호화폐가 메타버스 플랫폼에서 통용되고 있다. 완벽한 웹 3.0 플랫폼이라 할 수는 없지만 메타버스는 점차 웹 3.0이 추구하는 방향으로 흘러가고 있다. 석광호. (2022). 메타버스 웹 플랫폼과 서비스 현황. 한국통신학회지(정보와 통신), 39(6), 54 page 39(6), 53 page

 메타버스  가상, 초월을 의미하는 ‘메타’(Meta)와 세계, 우주를 뜻하는 ‘유니버스’(Universe)의 합성어로 3차원에서 실제 생활과 법적으로 인정되는 활동인 직업, 금융, 학습 등이 연결된 가상 세계를 뜻한다.  메타버스는 4가지의 유형으로 분류할 수 있으며 각각 증강현실(Augmented Reality), 일상기록(Lifelogging), 거울세계(Mirror Worlds), 가상세계(Virtual Worlds)로 불리며 메타버스를 구현한 플랫폼으로는 대표적으로 포트나이트(Fortnite),  마인크래프트(Minecraft 로블록스(Roblox), 제페토(ZEPETO) 등이 있다.- Unity ML-Agent  3D 물리 엔진을 개발하고 있는 Unity 사에서 만든 유니티 개발 엔진용 AI agent 툴로 사용자가 인공지능 에이전트를 활용하여 다양한 강화 학습 및 모방 학습 등의 조합을 통해 학습을 진행할 수 있다. 또한 ML-Agent를 사용하여 유니티 엔진에서 풍부한 물리적, 시각적, 인지적 요소를 갖춘 AI 환경 조성이 가능하다. 메타버스 게임의 신뢰도 향상을 위하여 ML-Agent를 활용하는 방안에 대해 제시한다.

 ML-Agent를 활용한 메타버스 게임 테스트 자동화   유니티의 ML-Agent를 활용하여 강화학습을 통해 Agent로 메타버스 게임 테스트의 자동화를 제안하여 3D 기반의 메타버스 가상 세계에서 일어날 수 있는 다양한 버그들의 테스트 자동화를 통한 커버리지 향상을 목표로 한다.- ML-Agent를 활용한 강화학습  Unity의  ML-Agent는  Python-Academy-Brain-Agent의 4단계 구조로 Agent의 활동 및 학습을 제어하는 시스템이다. Agent 들은 하나의 Brain과 연결되어 있으며 Brain은 사용자의 입력을 Academy를 통해 수행할 알고리즘과 행동양식을 입력받아 이를 에이전트가 이를 수행 및 학습한다. 이후 에이전트가 수행한 행동과 관련된 관측데이터들을 아카데미를 통해 다시 사용자에게 반환하게 된다. Academy는 다수의 브레인과 연결 할 수 있으며 사용자의 입력을 받을 수 있는 역할을 수행한다.

ML-Agent 강화학습 구성- 게임 장르별 맞춤 강화학습 탐험 전략 및 알고리즘 가상 현실로 구현된 다양한 게임의 장르가 다 다른 만큼 게임 플레이에서 목표하는 바와 생성된 3D 가상 세계의 구성이 다르다. 
3D 메타버스 환경의 경우 게임 장르별로 적용되는 알고리즘을 다르게 설정하여 최적화된 학습을 진행해야 하 Action Space와 State Space가 연속성을 보이기 때문에 A3C, TRPO, PPO를 기준으로 강화학습을 진행한다. 이후 On-Policy 알고리즘으로 학습이 가시적인 성과를 보일 정도로 학습이 완료되면 Off-Policy들의 학습을 진행한다. 학습 알고리즘은 우선순위를 설정하여 적합도를 탐색해야 한다. 우선 EA의 연구 결과 연속적인 Action Space와 State Space에서 가장 지표가 좋게 나왔던 PPO와 TRPO를 각각 1,2 순위로 설정하여 에이전트의 강화학습을 진행한다. 각각의 알고리즘은 VR, AR, RPG, FPS, AOS 등의 다양한 메타버스 게임들에 맞춰 하이퍼 파라미터 튜닝을 진행해 게임 장르별 최적화된 알고리즘을 선별하고 파라미터 값을 탐색한다. 이후 학습이 완료된 Agent를 실전 3D 가상 환경 테스트에 투입한다면 메타버스 게임 소프트웨어의 안정성 및 신뢰도를 향상할 수 있을 것이다. 이학진, 이욱진. (2021). ML-Agent를 활용한 메타버스 기반 게임 테스트 자동화. 
4차 산업의 중요 트렌드이며 지속해서 성장하고 있는 메타버스 산업 중 큰 비중을 차지하는 메타버스 기반 게임이지만 급속한 성장과는 별개로 각종 버그로 인해 떨어지는 게임의 신뢰도는 추후 산업 발전에 크나큰 문제가 될 수 있다. 테스트 커버리지 향상과 비용 절감을 위해 Unity의 ML-Agent를 활용하여 게임 장르별  적합한  탐험전략과  알고리즘으로  학습한 Agent를 활용한 테스트 자동화에 대해 제시하였다. 제시한 방안으로 방대한 3D 가상 물리 세계의 테스트 자동화를 통해 테스트 커버리지의 향상과 인간 테스터를 대체하여 인적, 물적 자원 효율적인 소모가 가능하게 할 수 있을 것이며 이는 산업의 생산성을 향상하게 시킬 수 있을 것으로 예상한다.

향후 과제로는 각 메타버스 게임별로 적합한 Agent를 생성하여 개발자가 직접 학습을 시키는 것이 아니라 학습이 완료된 Agent를 게임 장르별로 제공할 수 있도록 하는 것이 목표이다. 참고 이학진, 이욱진.