4.97M 데이터 기반 AUC 0.83 달성 및 온디바이스 추론으로 지연 시간 제거

Context

마작 경기 중 버려진 타일 정보를 통한 실시간 위험도 판단의 높은 인지 부하 발생. 기존의 이론 중심 학습 방식으로는 실시간 상황에 맞는 즉각적인 의사결정 지원에 한계 존재.

Technical Solution

• Tenhou Houou-takujo 상위 테이블의 4.97M discard 로그를 활용한 데이터 기반 캘리브레이션 수행
• 서버 기반 ML 모델 대신 캘리브레이션된 계수를 JSON 파일로 번들링하여 앱 내 탑재
• 네트워크 요청을 제거한 Local Inference 구조 설계를 통한 제로 레이턴시 구현
• 4개 좌석의 상태 전환과 타일 입력에 최적화된 실시간 Color-coding 인터페이스 적용
• 모델 복잡도를 낮추는 대신 특정 라운드(East)와 좌석(East seat)에 최적화한 하드코딩 전략 채택

Impact

• AUC 0.83 수준의 예측 성능 확보 및 4.97M 실제 데이터셋 기반의 통계적 신뢰도 구축

Key Takeaway

실시간성이 극도로 중요한 도메인에서는 무거운 Live ML 모델보다 정제된 계수 기반의 Local Inference가 사용자 경험과 운영 효율성 측면에서 유리함.