Finding winning team compositions by jointly modeling player proficiency and team congruency in multiplayer online games

임시 팀이라는 무질서하고 덧없는 세계에서, 성공은 종종 단 하나의 어려운 선택에 달려 있습니다. 낯선 이들이 단기 프로젝트, 주말 토너먼트, 또는 즉석 경기(pickup game)를 위해 모였을 때, 그들은 근본적인 긴장에 직면합니다. 각자가 개인적으로 가장 잘하는 특정 과업을 맡아야 할까요, 아니면 그룹이 전체로서 기능하는 데 가장 필요한 역할을 채워야 할까요? 이 두 목표는 항상 일치하지는 않습니다. 팀이 각자의 직무에 전문가들로 채워져 있더라도, 기술이 너무 중복되거나 결정적인 공백이 생겨 실패할 수 있습니다. 반대로, 역할의 균형은 완벽하지만 이를 실행할 구체적인 전문성이 부족할 수도 있습니다. 연구에서 '개인적 숙련도와 팀의 합치성 사이의 균형'으로 알려진 이 딜레마는 조직 과학의 오랜 연구 주제였지만, 팀이 업무를 시작하기도 전에 이를 측정하거나 예측하는 것은 여전히 어려운 과제로 남아 있었습니다.

과학 저널에 발표된 한 새로운 연구는 매일 전 세계에서 임시 팀이 형성되는 가장 크고 구조화된 환경 중 하나인 경쟁적인 온라인 게임의 세계를 살펴봄으로써 이 문제를 다룹니다. 연구진은 다섯 명의 낯선 이들이 두 팀을 이루어 경쟁하는 인기 게임인 '리그 오브 레전드(League of Legends)'에 주목했습니다. 이 디지털 아레나에서 모든 경기는 새로운 시작입니다. 플레이어들은 방어자, 전사, 또는 지원가와 같은 특정 역할을 부여받으며, 그 역할을 수행하기 위해 방대한 플레이 가능 캐릭터 목록 중에서 선택해야 합니다. 게임 제공자는 두 opposing 팀의 전체적인 숙련도 수준이 대략 동일하도록 정교한 시스템을 사용하여, 경기 결과가 단순히 한 팀이 다른 팀보다 단순히 더 '잘해서' 결정되는 경우가 드물도록 만듭니다. 대신, 승자는 다섯 명의 개인이 각자의 배정된 과업에 얼마나 잘 부합하는지, 그리고 그들의 선택이 서로를 얼마나 잘 보완하는지에 의해 결정되는 경우가 많습니다.

무엇이 승리하는 팀을 만드는지 이해하기 위해, 연구진은 약 2,600만 명의 고유 참가자가 참여한 약 3억 2,000만 건의 경기 기록이 담긴 방대한 데이터셋을 분석했습니다. 이러한 규모 덕분에 연구진은 각 플레이어의 이력을 추적하여, 어떤 캐릭터를 플레이했는지, 어떤 역할을 수행했는지, 그리고 과거에 승리했는지 혹은 패배했는지를 파악할 수 있었습니다. 목표는 팀이 경기를 시작하기 직전—플레이어들이 역할을 배정받고 캐릭터를 선택한 후, 실제 게임이 시작되기 전—에 컴퓨터 시스템이 팀을 보고 승자를 예측할 수 있도록 만드는 것이었습니다. 연구진은 두 가지를 동시에 이해함으로써 승리하는 조합을 식별할 수 있는지 알고 싶었습니다. 즉, 각 플레이어가 과거 경험을 바탕으로 현재의 배정에 얼마나 잘 부합하는지와, 다섯 명의 플레이어가 하나의 단위로서 얼마나 잘 협력하는지를 말입니다.

연구팀은 이를 해결하기 위해 새로운 유형의 인공지능 프레임워크를 개발했습니다. 이 시스템은 각 플레이어에게 전체적인 숙련도에 기반한 단일하고 정적인 점수를 주는 대신, 현재 상황의 맥락 속에서 각 플레이어의 이력을 살펴보았습니다. 시스템은 다음과 같은 구체적인 질문을 던졌습니다. '이 플레이어는 이 특정 캐릭터로 이 특정 역할을 이전에 수행했을 때 어떻게 성과를 냈는가?', '이 캐릭터에 대한 플레이어의 과거 성공은 현재 게임 버전의 버전에 따라 어떻게 변하는가?' 시스템은 이러한 개별적인 통찰력을 취합하여 다섯 명의 플레이어가 서로 어떻게 상호작용하는지, 그리고 그들이 상대 팀의 다섯 명과 어떻게 맞서는지를 확인했습니다. 또한 한 팀의 방어자가 상대 팀의 방어자와 어떻게 비교되는지와 같은 직접적인 매치업에 특별히 주의를 기울이는 동시에, 팀을 하나의 완전하고 상호 연결된 집단으로 고려했습니다.

결과에 따르면, 이 새로운 접근 방식은 이전의 어떤 방식보다 승자를 예측하는 데 훨씬 뛰어난 성능을 보였습니다. 연구진은 단순히 플레이어의 숙련도 등급을 합산하는 기존 기술이나, 개인의 이력을 고려하지 않고 팀 구성을 살펴보는 방법들과 자신들의 시스템을 비교했습니다. 플레이어의 선택과 결과라는 방대한 이력을 학습한 새로운 시스템은 훨씬 높은 정확도를 달성했습니다. 이는 플레이어의 일반적인 숙련도를 아는 것만으로는 충분하지 않으며, 시스템이 플레이어와 현재 역할 사이의 구체적인 적합성, 그리고 그 적합성이 나머지 팀원들과 어떻게 상호작용하는지를 이해해야 함을 입증했습니다.

또한 이 연구는 두 가지 요소, 즉 개인의 적합성과 팀의 균형이 단순히 어떤 순서로든 섞을 수 있는 별개의 재료가 아님을 밝혔습니다. 연구진이 데이터를 분석했을 때, 숙련도는 높지만 역할에 제대로 맞지 않는 플레이어들로 구성된 팀은, 숙련도는 보통이지만 완벽하게 균형 잡힌 플레이어들로 구성된 팀에게 패하는 경우가 많다는 것을 발견했습니다. 반대로, 완벽하게 균형 잡힌 팀이라도 개별 플레이어들이 배정된 과업을 수행하는 데 필요한 구체적인 경험이 부족하다면 실패할 수 있습니다. 가장 성공적인 예측은 이 두 요소를 하나의 통합된 문제로 취급하여, 플레이어의 과거 경험의 가치가 그들이 속한 팀과 상대하는 상대에 따라 어떻게 변하는지를 학습하는 시스템에서 나왔습니다.

시스템의 내부 작동 원리를 분석함으로써, 연구진은 이 시스템이 인간이 놓칠 수 있는 패턴을 인식하는 법을 배웠다는 것을 발견했습니다. 예를 들어, 시스템은 수천 개의 서로 다른 플레이 가능 캐릭터들을 그 기능이 무엇인지 전달받지 않았음에도 불구하고, 게임 내에서 어떻게 기능하는지에 따라 그룹화했습니다. 또한 시스템은 게임이 시간이 지남에 따라 어떻게 변하는지도 학습하여, 이전 버전의 게임에서 작동했던 전략이 새로운 버전에서는 작동하지 않을 수 있다는 점을 인식했습니다. 이러한 변화하는 맥락에 적응하고 개인의 이력을 팀 역학에 따라 가중치를 두는 능력 덕분에, 시스템은 첫 수를 두기도 전에 승리하는 팀의 '형태'를 볼 수 있었습니다.

이러한 발견은 임시 팀의 성공이 단순히 부분들의 합이 아니라는 점을 시사합니다. 그것은 사람들이 누구인지, 그들에게 무엇을 요구하는지, 그리고 그 역할들이 그 순간에 어떻게 함께 어우러지는지 사이의 복잡한 관계입니다. 비록 이 연구가 비디오 게임이라는 특정한 맥락에서 수행되었지만, 여기서 밝혀진 원칙들은 현실 세계의 팀워크를 생각하는 새로운 방식을 제공합니다. 스타트업이든, 스포츠 팀이든, 혹은 프로젝트 그룹이든, 연구는 효과적인 팀이란 단순히 재능 있는 개인들의 집합이 아니라, 모든 구성원의 구체적인 경험이 집단적 필요와 정렬되는 세심하게 구성된 형태라는 것을 보여줍니다. 연구는 팀의 잠재력을 진정으로 이해하기 위해서는 구성원의 이력을 고립된 상태가 아니라, 그들이 형성한 팀이라는 구체적인 맥락 속에서 바라보아야 한다고 결론짓습니다.