AI 요약
Semantle은 기존의 Wordle과 달리 철자가 아닌 '의미적 유사성'을 기준으로 단어를 추측하는 게임입니다. 이 게임은 Google News word2vec 모델을 기반으로 하며, 각 단어를 300차원의 수치 벡터로 표현하여 정답과의 코사인 유사도 점수를 피드백으로 제공합니다. 본문의 저자인 Victoria Ritvo는 직접 게임을 플레이하며 'philosophy'(6.02점)에서 시작해 52번째 추측인 'medical'에서 정답을 맞힌 경험을 바탕으로, 알고리즘을 통한 효율적인 해결 방안을 모색했습니다. Ethan Jantz와 함께 Recurse Center에서 개발한 이 솔버는 인간이 수십 번의 시도를 거쳐야 하는 과정을 단 3번의 추측 내외로 단축시켰습니다. 이는 벡터 공간에서의 선형 방정식을 활용하여 타겟 단어의 위치를 역추적하는 원리를 이용한 것입니다.
핵심 인사이트
- 데이터 기반 모델링: Semantle은 300차원 벡터로 구성된 Google News word2vec 임베딩 시스템을 게임의 핵심 로직으로 사용합니다.
- 효율적인 알고리즘 성능: 인간 사용자가 평균 수십 회 이상의 시도를 하는 반면, 개발된 솔버는 약 3회의 추측만으로 정답을 신속하게 도출합니다.
- 수학적 접근: 게임의 피드백인 코사인 유사도를 벡터 간의 내적(dot product) 방정식으로 변환하여 타겟 벡터를 계산하는 방식을 제안했습니다.
- 구체적 사례: 저자는 'biology'(27.55점)라는 8번째 추측을 통해 힌트를 얻고 최종적으로 52회 만에 정답을 맞혔던 실사례를 통해 게임의 난이도를 설명했습니다.
주요 디테일
- 유사도 측정 지표: 게임은 사용자의 단어(g)와 타겟 단어(t) 사이의 코사인 유사도[cos(θ) = (g·t) / (||g|| ||t||)]를 점수로 반환합니다.
- 방향성 정보의 부재: 단일 유사도 점수는 정답과 가깝고 먼 정도('Hot' or 'Cold')만 알려줄 뿐, 어느 방향으로 단어를 수정해야 하는지는 알려주지 않는다는 점이 게임의 가장 큰 난관입니다.
- 선형 방정식의 한계: 이론적으로 300차원의 미지수 t를 완벽히 풀기 위해서는 300개의 독립적인 방정식(추측)이 필요하지만, 솔버는 이를 최적화하여 훨씬 적은 횟수로 해결합니다.
- 솔버 개발 환경: 해당 프로젝트는 개발자 교육 기관인 Recurse Center에 머무는 동안 진행되었습니다.
향후 전망
- NLP 교육적 활용: word2vec과 같은 자연어 처리(NLP) 모델의 임베딩 원리를 일반인이 쉽게 이해할 수 있는 교육적 도구로 확장될 가능성이 큽니다.
- 임베딩 기반 검색 최적화: 의미론적 공간에서의 '삼각 측량' 기법은 향후 벡터 데이터베이스 검색 및 추천 알고리즘의 최적화 연구에 응용될 수 있습니다.
출처:hackernews