겜툰-카툰으로 보는 재미있는 게임이야기

PWD

	최신 게임뉴스

	오픈/클로즈 베타뉴스

	게임업계 핫이슈

	겜툰 FOCUS

	게임 특집

	인터뷰/업체탐방

	게임 만평

	게임 포토뉴스

인터뷰/업체탐방

HOME > 게임뉴스> 인터뷰/업체탐방

제 목 : [NDC 2026] 엠바크 마틴 싱-블롬 리드 “머신러닝, 배포·도구화가 관건”

작성자 :	등록일 : 2026-06-16 오후 1:42:15

넥슨 개발자 콘퍼런스(NDC) 첫날인 6월 16일, 엠바크 스튜디오(이하 엠바크) 마틴 싱-블롬 머신러닝 크래프트 리드는 ‘엠바크 게임즈 머신러닝 구현 사례’를 주제로 발표했다. 발표는 엠바크가 ‘더 파이널스’와 ‘아크 레이더스’ 개발·서비스 과정에서 머신러닝을 실제 업무와 게임 안에 넣은 사례를 다뤘다.

엠바크는 스웨덴 스톡홀름에 있는 넥슨 산하 게임 스튜디오다. 무료 FPS ‘더 파이널스(THE FINALS)’와 3인칭 PvPvE 익스트랙션 어드벤처 ‘아크 레이더스(ARC Raiders)’를 선보였다. 싱-블롬 리드는 큰 비용과 긴 제작 기간이 창작 리스크를 줄이는 구조를 새 기술로 낮추려 했던 배경을 소개했다.

발표는 엠바크 머신러닝 철학, 개인화 추천, LLM 퀘스트 분석, 아크 레이더스 로봇 개발 순서로 이어졌다. 싱-블롬 리드는 포토그래메트리와 비파괴 캐릭터 아트 파이프라인을 예로 들었다. 사진을 찍어 게임 자산으로 만드는 방식, 제작 중간 단계로 되돌아가도 뒤쪽 작업이 자동 반영되는 구조가 개발 속도를 높인 사례로 제시됐다.

AI와 머신러닝 활용 방향은 기존 작업 속도 개선, 이전에 불가능했던 새 기능 구현 두 갈래였다. 코딩 에이전트나 텍스처 그림자 제거처럼 작업 시간을 줄이는 쓰임이 있고, 로봇 제어·퀘스트 분석·개인화처럼 새 플레이 구조나 제작 방식을 만드는 쓰임도 있었다.

첫 사례는 ‘더 파이널스’ 상점 추천 시스템이었다. 이 게임은 무료 플레이 구조라 상점 판매가 핵심 수익원이다. 서비스 2년 동안 착용형 꾸미기 아이템 4,000종 이상이 쌓였지만, 상점 노출 면적은 좁았다. 시즌 상품과 배틀패스 중심 노출만으로 과거 아이템을 보여주는 데 한계가 있었다.

이에 엠바크는 유저 구매 데이터를 학습해 선호 상품을 추천하는 모델을 검토했다. 여러 후보 가운데 EASE가 리콜과 평균 역순위(MRR) 지표에서 가장 나은 결과를 냈다. EASE는 학습 코드가 파이썬 4줄 수준일 만큼 단순한 모델이었다.

실제 A/B 테스트는 ‘더 파이널스’ 상점 ‘For You’ 구역에서 진행됐다. 개인화 추천 적용 뒤 해당 구역 구매자 수는 408% 늘었다. 인게임 재화 지출과 달러 지출도 함께 증가했다.

다만 배포 과정은 모델 성능만으로 풀리지 않았다. 담당 조직을 찾기 어려웠고, A/B 테스트 승인도 막혔다. 초기 분석도 기준선 차이 탓에 개선 효과를 잡아내지 못했다. 해법은 알고리즘 교체가 아니라 자리 이동이었다. ML 엔지니어를 라이브 운영·상업팀 가까이 배치하자 목표 설정과 분석 기준이 맞춰졌다.

두 번째 사례는 ‘아크 레이더스’ 퀘스트 분석 도구였다. 게임 퀘스트는 조건에 따라 열리고, 완료 뒤 다른 퀘스트를 여는 그래프 구조를 이룬다. 영화나 책처럼 순서가 고정된 서사와 달리 유저마다 진행 순서가 달라지고, 같은 이야기도 플레이 동선에 따라 다른 인상을 남겼다.

그 때문에 엠바크는 대형언어모델(LLM)을 생성 도구가 아니라 분석 도구로 썼다. LLM이 여러 플레이 동선을 읽고, 이미 죽은 상인 밥이 나중 퀘스트 설명에 다시 등장하는 식 모순을 찾아내는 방식이다. PvP 선호 유저, 세계관 중심 유저, 보상 중심 유저 같은 페르소나를 부여해 지루함과 정보 부족, 보상 흐름 문제도 점검했다.

초기 웹 도구는 노션(Notion) 데이터를 가져와 퀘스트를 분석했고, 실제 모순과 약점을 찾아냈다. 하지만 내러티브 팀은 출시 준비 과정에서 해당 도구를 쓰지 않게 됐다. 퀘스트 연결 정보가 노션에서 미로(Miro)로 옮겨졌기 때문이다. 디자이너에게는 퀘스트 노드 사이를 화살표로 잇고 시각적으로 보는 기능이 더 필요했다.

이후 엠바크는 ‘스핀들(Spindle)’을 만들었다. 이 도구는 LLM 분석과 퀘스트 노드 편집, 화살표 연결 기능을 함께 제공한다. 내러티브 팀은 작업 흐름을 바꾸지 않고 분석 지원을 다시 활용하게 됐다.

마지막 사례는 ‘아크 레이더스’ 로봇 AI였다. 엠바크는 매 세션 다른 상황이 생기는 리플레이성, 큰 보행 로봇, 물리성을 목표로 삼았다. 물리 시뮬레이션을 통해 스크립트 반복이 아닌 충돌과 실수까지 플레이 상황으로 만들려 했다.

핵심 방법은 강화학습이었다. 정책 신경망이 행동을 내보내고, 로봇은 시뮬레이션 안에서 관찰값과 보상을 되돌려준다. 연구진은 보상 기준을 조정해 로봇이 타깃 유저에게 접근하고 넘어지지 않도록 학습시켰다. 방향을 맞추는 조건도 함께 넣었다.

초기 결과는 유기적이었지만 보행은 흔들리고 가벼워 보였다. 또 여러 행동을 한 모델에 넣자, 문제가 생겼다. 걷기와 멈추기를 함께 학습한 로봇은 언제 멈출지 모르는 조건 탓에 빠르게 걷지 못했다. 해법은 전통 게임 AI 방식인 행동 트리였다. 엠바크는 빠르게 걷는 모델과 멈추는 모델을 따로 훈련했고, 디자이너가 행동 트리에서 상황별 모델을 선택하는 구조로 바꿨다.

이후에는 애니메이터 작업물을 학습 기준에 넣었다. Adversarial Motion Priors(AMP)를 활용해 로봇 움직임이 애니메이터가 만든 동작과 비슷할수록 보상받게 했다. 이 방식으로 아티스트가 새 걷기 애니메이션을 만들면 로봇 움직임을 더 빠르게 바꿀 수 있게 됐다.

시야 시스템도 바꿨다. 기존 높이맵 방식은 위에서 아래로 광선을 쏘는 구조라 터널과 다리 아래 환경, 벽 너머 지형 처리에 한계가 있었다. 엠바크는 로봇에서 광선을 쏘고 충돌 지점을 저장하는 포인트 클라우드 방식으로 전환했다. 이전 테스트에서는 로봇이 터널 입구에서 튕겨 나왔지만, 출시 전 서비스 슬램 테스트에서는 같은 터널 안으로 진입해 유저를 추격하는 장면이 확인됐다.