상태 기록
플레이어 선택, NPC 결과, 프레임 시간, GPU 비용, 씬 복잡도를 학습 가능한 데이터로 모읍니다.
ML RENDERING OPS
학습 모델 운영 데이터
강화 학습, PCG, 자동 QA, 그래픽 설정 예측은 훈련 데이터와 런타임 지표를 연결할 때 나나이트와 루멘 비용을 현실적으로 관리합니다.
외부 환경에서 학습한다
Python 기반 프레임워크로 RL 정책, PCG 추천, 품질 예측 모델을 반복 훈련합니다.
런타임 형식 고정
모델 구조와 가중치를 ONNX로 내보내고 NNI 플러그인 또는 C++ 래퍼에서 추론합니다.
게임 상태에 적용한다
AI 의사결정, PCG 배치, 렌더링 품질 값은 프레임 예산을 넘지 않는 범위에서 반영합니다.
결과를 다시 검증한다
자동 QA, 성능 캡처, 아트 리뷰를 통해 모델이 재미와 시각 품질을 해치지 않는지 확인합니다.
행동 트리의 빈틈을 보완한다
규칙 기반 노드로 설명하기 어려운 적응 행동은 학습 정책으로 후보를 만들고, 최종 실행은 안전한 Task로 제한합니다.
지오메트리 밀도를 예산화한다
씬 복잡도와 카메라 거리를 바탕으로 클러스터 비용을 예측해 오픈 월드 배치와 스트리밍 기준을 조정합니다.
조명 품질을 동적 선택
실내외 전환, 날씨, 이동 광원이 많은 장면은 목표 프레임에 맞춰 GI와 반사 품질을 단계적으로 조절합니다.