http://games.venturebeat.com/2010/03/10/social-games-zynga-popcap/?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed:+Venturebeat+(VentureBeat)&utm_content=Twitter

I have not been able to play social games lately (like Restaurant City), although I strongly agree that the future of social games are very promising. The only reason I’m not playing those games is that I know I’ll spend a lot of time playing them if I start, and it will ruin my first year in the graduate school as a Ph.D student (still, I have to practice Starcraft 1, and prepare for Starcraft 2, and there are a lot of iPhone games… and NDS… Man, am I really in the graduate school?).

The article mentioned above is particularly interesting, because it mentioned Zynga uses “metric-based” design method. It did not talk about details of their method, but I’m pretty sure data analysis SHOULD play an important role in maintenance of social games. No game designer is so perfect that he/she can design a game with perfect balance. That is the reason of those now very usual alpha/beta testings. But not only in social games but also in every other online games, we accumulate data on user behavior 24 hours a day. Intuitively, we can make a good use of those data. There are a lot of good newses. There is no measurement error (although, there SHOULD be other types of error such as mistype / ill-classification) at all! It’s no sampling, but we get the data from the whole population! I don’t know how data analysis is used currently in the game industry, but I’m confident it’ll create a lot of value at least in the near future.

However, I’m curious what models and methods we should use for that kind of data. Maybe in the initial stage, certain intuitive basic statistics may work, but to use the data more effectively and to incorporate data analysis into the center of game design, I believe more sophisticated models and methods of Statistics may play some role. Because the data SHOULD be massive and constantly accumulated, however, I think it might be a challenging task, though.

I really want to work on a real project on those issues. It’s of no use to imagine how it can be used. Currently, beta testing of Starcraft 2 is going on. What methods do they use to monitor the balance between races? I’m not sure. But if we can make a good database of replays and also get APIs to access information on those replay files, I suppose we can do some interesting data analysis projects. I already have some idea on Starcraft 1… Hope I can show you some result in the summer vacation (until then, I have no energy to do so, unfortunately).

http://blog.naver.com/quetel/130081917370

이 글을 읽고 문득 2005년 2학기 김광재 교수님의 품질공학 수업이 생각이 나서 쓰지 않던 블로그에 끄적대어 보았다. 나의 학부 전공인 산업경영공학(Industrial & Management Engineering, 현재 전공은 통계학)의 한 분야인 품질공학(Quality Engineering)의 한 기법으로 House of Quality (HOQ)라는 것이 있다. 이름은 거창하지만 요점을 요약하여 설명하자면 의사 결정에 관련된 사안들을 정리하고 각 사안의 중요성을 계량적으로 측정하여 각 대안마다 점수를 측정, 가장 좋은 대안을 고르려 하는 것인데, 사실 이 내용보다도 교수님이 문득 주의의 말씀을 하셨던 것이 기억에 남는다.

“사람의 목숨과 같이 계량화 할 수 없는 가치에는 HOQ를 사용하지 말라.”

실제로 백악관에서 인질들이 테러리스트에 잡혀 있을 때, 어떤 선택을 하는 것이 좋을지에 대해 HOQ를 활용한 바 있다고 하는데, 교수님께서는 ‘나는 이것은 좋은 의사 결정 방법이 아니었다고 생각한다’고 말씀하셨다. 얼마나 실제로 미 정부의 의사 결정에 HOQ가 중요하게 반영되었을 지에 대해서는 의문스럽기는 하지만, 나는 교수님께서 이 한 마디를 던져주신 것이 너무도 고마웠다.

학문을 하는 사람들이란 좁은 영역에 오랜 시간을 바친 만큼, 그 분야의 존재 가치가 곧 사회에서의 자신의 존재 가치가 되기 마련이고, 때문에 어떤 문제를 만나건 자신이 공부한 바를 끼워맞추려 애쓰곤 한다. 그러나 언제든 아닌 것은 아니라고 말할 수 있는 준비가 되어 있어야 한다. 교수님들은 학생들 앞에서 ‘이 기법은 미 백악관에서도 활용하는 아주 우수한 기법’이라고 자랑할 수 있으셨다. 하지만 자신의 양심이 말씀하신 바를 학생에게 옮겨주셨기에 나는 교수님의 인품에 큰 감명을 받았다.

나는 전공을 바꾸어 통계학을 공부하고 있다. 통계학만치나 세상을 계량화하려 드는 학문이 있겠는가? 이웃 사촌에 ‘수학’이 있지만, 수학은 ‘답’보다는 사실 관계 사이의 구조에 더 관심이 있다. 예를 들어 실해석학을 공부한다면… 실수란 무엇인가? 몇 개나 존재하는가? 실수를 다르게 정의할 수도 있었을까? 이런 것들이 수학이 던지는 질문들이다. 하지만 통계학은 exploratory analysis를 한다 해도 결과적으로는 “그래서 기냐? 아니냐?” 라는 질문을 대답하려 든다. 어떤 문제든 가리지 않고 무시무시하게 “제곱 평균값을 가장 작게 할 수 있는가?” 라며 눈을 부릅뜨고 칼날을 들이댄다. 하지만 사실 제곱 평균에 딱히 유별난 의미가 있는 것은 아니다. Convexity니 Hilbert Space니 하는 속성들은 단순히 우리의 논리를 전개하기 위한 도구일 뿐이다. 전공을 통계학으로 바꾸기 전에도 그럴 줄은 진즉 알고 있었다.

하면 왜 통계학으로 전공을 바꾸었는가? 계량화함으로써 만들어지는 거짓말 못지 않게 계량화하지 않음으로써 만들어지는 거짓말 또한 많다고 믿기 때문이다. Will to see라는 대화명이 너무 유치하다는 친구의 놀림에 나도 수긍하고 얼굴을 빨갛게 붉혔지만, 그래도 나는 통계학이 우리가 세상을 바라보는 시선을, 나아가 의지를, 바꿀 수 있다고 생각한다. 우리가 어떤 사람들인지, 어디에 있는지, 아무것도 보지 않으려 드는 것은 결국 현실을 긍정하려 드는 것이다. 그렇게 해맑게 현실을 긍정할 수만은 없다는 증거가 너무나도 많다. 하지만 우리가 충분히 움직이지 않고 있는 것은 충분히 보이지 못해서일 것이다. 나는 충분히 보이고 싶고, 그러기 위해서는 최대한 많은 사람들이 수긍할 수 있는 스테이지로 그들을 불러모아야 한다. 통계학이야 말로 이것을 위해 만들어진 학문이 아니겠는가?

1. Object-Related Tasks

• Link-Based Object Ranking
• Link-Based Object Classification
• Object Clustering (Group Detection)
• Object Identification (Entity Resolution)

2. Link-Related Tasks

• Link Prediction

3. Graph-Related Tasks

• Subgraph Discovery
• Graph Classification
• Generative Models for Graphs

One can easily match each function in NetMiner/Pajek/UCInet to one of those categories.

나는 좋은 회사에서 멋진 사람들과 흥미로운 일들을 하며 3년을 보낼 수 있는 행운을 얻었지만, 그럼에도 불구하고 스스로를 관리하는 역량이 부족하여 미처 긴 호흡으로 생각하고 공부하는 여유를 내지 못했다. 게다가 POSTECH에 산업경영공학과 학생이라는 적(跡)을 아직 남겨두고 있던 나로서는, 학교로 돌아가기만 하면 그동안 막혀 있던 지적 성취에 대한 욕구가 봇물처럼 터져 나오며 그간 궁금해 오던 것들을 삽시간에 섭렵해 버리지 않겠는가 하는 현실도피적 망상을 하고 있었던 것이다.

그래서 그 다음 이야기는 어떠했을까? 나는 앞서의 ‘여는 글’을 읽을 때마다 그 글의 여운이 암시하는 바와 현재 자신의 모습을 비교해 보며 재밌어하곤 했다. 당연하지만 이상과 같을 순 없었다 – 나태하고 무능한 것이 학교로 돌아간다고 고쳐질 리가 있으랴. 언제까지나와 마찬가지로 방종한 시간들을 보냈다. 허나 실변수함수론(Real Analysis)이나 수리통계학(Mathematical Statistics)와 같이 수년간 별러만 왔던 공부들이 사전에 충분한 준비를 갖추지 않은 나의 게으름을 호되게 벌하는 와중에서도 그만큼 단기간에 많은 성취를 이룰 수 있게 해 주었고, 나는 그간의 공백이 학문적 성취에 대한 희망을 잃을 정도는 아니라는 자신감을 얻었다.

그리고 그 연장선상에서, 지금 나는 너무 감사한 기회를 얻어 Purdue University에 와 있다. 가을 바람에 기분이 싱숭생숭 해지며 벌써 고국에 있는 친구들 얼굴이 하나 둘씩 떠오르는 오늘, 여는 글을 다시 한 번 써 보며 내 자신의 행보가 그리고 있는 궤적을 뒤돌아 본다.

알지 못하면서 안다고 말하는 것, 그리고 모르는 것을 부끄러워하지 않는 것은 얼마나 고통스러운 시간들이었는가? 내가 통계학 공부를 하고자 한 것은 그닥 금전적 도움도 되지 못하는 박사 졸업장 쪼가리를 위해서가 아니라, 정확히 알고 정확히 말하는 사람이 되고자 하기 위함이었다. 그렇기 위해 5년이 얼마나 짧은 시간인지는 뼈저리게 느끼고 있다. 한 학기에 정말 무리하게 많이 수강해 보아야 고작 네 과목 정도, 그리고 작은 세부 분야의 연구에 조금의 기여라도 하기 위해 노력하는 것 – 물론 가치 있는 일들이지만, 이것만으로 내 목표를 얼마나 성취할 수 있겠는가?

정말 많이 읽고 많이 생각하고 많이 말하겠다. 정말로 그리할 것이다.