Excellence Sharing Growth

2018. 10. 11-12 COEX Grand Ballroom, Seoul

Scroll icon
See you next year!

DEVIEW 2018 행사가 종료되었습니다.

발표 영상과 자료를 지금 확인해보세요.

WATCH VIDEOS
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진
2018 DEVIEW 행사 사진

SESSIONS

강연 목록

강연자 사진
강연 분야
  • 웹
  • 기타
강연 제목
Modern C++ 무조건 써야해?
강연 내용
다들 Modern C++를 적극적으로 사용하고 계신가요? 우리는 C++98 버전까지를 classical C++, 그 이후 버전부터 3년 단위로 릴리즈되는 C++ 표준을(C++11 / C++14 / C++17 / C++20...) Modern C++라고 부르고 있습니다. 생각보다 빨리 찾아오는 3년 주기는 우리에게 새로운 표준 feature들을 안겨주는데 우리는 이걸 써야 할지, 말아야 할지, 신규 코딩에만 적용할지, 기존 코드도 모조리 리팩토링을 해야 할지 고민하게 됩니다. 혹은 아직도 classical C++만 고집할 수도 있죠. 크로미움은 C++를 가장 활발히 사용하고 있는 오픈 소스 프로젝트 중 하나입니다. 이들은 오픈 소스 커뮤니티에서 공개된 논의를 통해 c++11, c++14 feature 하나 하나씩 면밀히 검토하였습니다. 또 C++17도 검토가 시작되었죠. 이 세션은 크로미움 커뮤니티에서 검토된 modern c++ feature들을 소개합니다. 어떤 feature를 허용하는지, 허용하지만 코딩 시 조심히 다루어야 할 부분이 무엇인지, 혹은 어떤 feature를 허용하지 않으며 그 이유가 무엇인지 소개하려고 합니다. 이를 통해 c++ 개발자들이 어떤 feature들을 선호하고, 기피해야 할지 개개인의 고민을 덜어주고자 합니다.
강연자
신미영
강연자 사진
강연 분야
  • 머신러닝
  • AI
강연 제목
Papago Internals: 모델분석과 응용기술 개발
강연 내용
본 세션에서는 파파고 기계번역 엔진팀에서 하는 모델의 분석, 연구, 개발, 서비스화 등 다양한 역할들 중 모델의 분석과 서비스화 연구/개발 사례를 소개합니다. 먼저, 파파고 기계번역 엔진팀이 기계번역 엔진을 이해하고 분석하는 사례를 보여주고, 서비스를 하는 팀이 중점으로 보는 모델 분석의 방향성에 대해 공유합니다. 또, 기계번역 엔진팀에서 새로운 서비스를 하기 위해 필요한 기술에 대한 문제 정의, 개발, 연구 방향을 보여주는 웹번역기 개발의 응용 사례를 소개합니다. 이를 통해 기계번역/NLP/AI를 연구 개발하는 분들에게, 실제 서비스를 하는 연구개발 조직이 진행하는 모델의 분석과 연구와 개발에 대한 이해를 돕고자 합니다.
목차
1. Introduction 
(1) Papago MT Engine 팀 역할 소개 
(2) 실무자에게 듣는 기계번역 모델의 분석 방법 
(3) 실무자에게 듣는 기계번역 응용 기술의 연구/개발 
2. 파파고와 함께: 학습과 수렴 
(1) 파파고 기계번역 모델 소개
(2) 기계번역 평가의 어려운 점 
  • 자동 평가 척도 (BLEU, chrF) 소개 
  • 전문가 평가 소개 
  • 파파고의 목표 
(3) 학습과 수렴 @ 파파고 
  • 주요 기계 번역 논문들의 학습 수렴 지점 선정 기준을 소개 
  • 자동 평가 기준 수렴의 단점을 언급 
  • 전문가 평가 기준 수렴 지점 분석 결과 
(4) 앞으로의 연구 방향
3. 인공신경망을 활용한 웹사이트 번역
(1) 웹사이트 번역은 어떻게 하나?
(2) 개발 시 겪게 되는 실질적인 어려움들
  • “지저분"한 웹 상의 문서
  • 커다란 HTML 페이지에서 "번역할 부분"만 뽑아내기
  • 번역문에 원문의 HTML 태그를 "적절한 위치"에 삽입
  • 이 모든 과정을 "빠르게 처리"하기
(3) 앞으로의 연구 방향
  • 서비스를 하면서 관찰된 이슈들
  • 향후 연구 방향
대상
기계학습을 이용한 응용서비스를 하는 분들, AI 분야에 포함된 학생, 개발자, 연구자들
참고
발표 내용 중 일부가 현재 국제학술대회에 제출되어 있으므로, 게재 결과에 따라 내용 일부가 바뀔 수 있습니다.
강연자
신중휘 정권우 김재명
강연자 사진
강연 분야
  • 인프라
  • 성능
  • 기타
강연 제목
대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler in IPVS, Linux Kernel
강연 내용
수 천개의 컨테이너로 구성된 대형 컨테이너 클러스터 Platform 에서, Network Load Balancing 은 아주 복잡한 문제 중 하나입니다. 대용량의 Network 트래픽을 컨테이너들로 분산 시키기 위해 많은 수의 Load Balancer 를 구축하고 이를 유기적으로 연결시켜 효율적인 Balancing, High Availability 등을 보장해줘야 하지만, 컨테이너 클러스터 Platform 환경에서는 몇 가지 문제에 직면하게 됩니다. - Container 는 Life Cycle의 특성 상 생성/삭제가 매우 빈번하기 때문에 Load Balancer에 이를 동적으로 반영할 수 있어야 합니다. - 한 개, 또는 여러 개의 Load Balancer가 Down 되어도 이 곳을 경유하던 Network Connection들이 유실되어서는 안됩니다. 이 Connection들은 다른 정상적인 Load Balancer에서 문제 없이 처리되어야 합니다. 이를 위하여 각각의 Load Balancer 가 모든 Connection 정보를 유지하고 있어야 합니다. - 물론, 대용량의 Traffic의 효율적인 분산도 보장되어야 합니다. 이러한 문제들을 풀기 위해서 Linux Kernel 의 Software Load Balancer 인 IPVS 에 Maglev Hashing Scheduler 라는 Module을 개발하여 Contribution 하였고, 이를 사용하여 네이버 서비스 컨테이너들로의 부하를 분산하는 Load Balancer 를 운영하고 있습니다. 이 세션에서는 위 문제들을 해결하기 위해 했던 고민들과 Linux Kernel v4.18 부터 포함되는 IPVS Maglev Hashing Scheduler의 특징을 소개하고, 대형 컨테이너 클러스터에서 어떻게 효율적이고 고가용성을 갖는 Network Load Balancer 를 구축하였는지 등을 공유합니다.
강연자
송인주
강연 분야
강연 제목
KEYNOTE
강연 내용
강연자
강연자 사진
강연 분야
  • 테크 스타트업
  • 머신러닝
  • AI
강연 제목
Fast & Accurate Data Annotation Pipeline for AI applications
강연 내용
인공지능, 그 중에서도 딥 러닝이라는 단어는 아마 최근 가장 많은 개발자들에게서 회자되고, 관심을 끄는 단어 중 하나일 것입니다. 다양한 딥 러닝 연구들이 매년 놀라운 결과물들을 보여주고 있고, 이제는 연구 뿐만 아니라 실제 어플리케이션 영역에서도 다양하게 쓰이기 시작했습니다. 그렇다면 나의 상황에 맞는 딥 러닝 어플리케이션을 제작하고 사용하기 위해서 가장 어려운 부분은 무엇일까요? 바로 다름 아닌 그에 맞는 데이터의 확보 입니다. 놀라운 결과를 내는 모델을 얻기 위해서는, 대부분 그에 맞는 양의 양질의 학습 데이터가 요구됩니다. 아쉽게도, 그러한 데이터를 확보하는 일은 쉽지 않습니다. 이는 특히, 현재 사용되고 있는 데이터 제작 도구들의 비효율성에 기인하고 있습니다. 저희는 이런 문제를 해결하기 위해, 사람의 지식과 직관을 쉽게 데이터화 할 수 있는 "Annotation 자동화 도구"를 개발하고 있습니다. 본 발표에서는 이러한 도구를 구성하는 세 가지 중요한 요소에 대해서 설명드리고자 합니다. 이 세 가지 요소는 작업 플로우의 설계 및 작업 요소의 표현법 디자인, 작업자의 능률을 향상시키기 위한 AI 기술(Transfer Learning / Interactive AI), 사람의 작업 능률을 지속적으로 체크하고 피드백을 주는 모니터링 방법으로 이루어져 있습니다. 이 외에도, 작업자들이 도구를 사용하며 만든 다양한 문제들과 저희의 시행 착오들도 함께 소개드리도록 하겠습니다.
강연자
이정권
강연자 사진
강연 분야
  • 머신러닝
  • AI
강연 제목
인공지능이 인공지능 챗봇을 만든다
강연 내용
"언제까지 직접 눈으로 클러스터링할래? 언제까지 밤새 감으로 파라미터 튜닝할래?" AutoML과 자연어처리 중 특히 Chatbot과의 결합으로 데이터만 있으면 스스로 인간의 언어를 학습하고, 보다 정확한 대화모델을 만들어내는 가능성이 현실이 되는 과정을 소개하고자 합니다. 사용자로부터 입력된 여러 쌍의 QA 데이터를 클러스터링부터 여러 모델에 사용될 파라미터 최적화, 개별 모델 성능 평가 그리고 여러 모델 간의 앙상블 가중치 자동설정 후 처음 주어진 데이터로 최적의 챗봇 모델 최종 제안 및 서비스까지 one-click으로 이루어지는 AutoML을 공유하고, 더 넓게는 챗봇이 아닌 다른 NLP분야에서도 적용 가능한 AutoML의 가치를 나누고자 합니다.
목차
  • 스스로 언어를 배우는 인공지능 만들기 : AutoML과 NLP/Chatbot 개념 소개
  • 우리 챗봇의 말하기 실력은 몇 점? : Chatbot 자동 평가 프로세스
  • 말뭉치 줄게, 챗봇 다오 : Chatbot 자동학습 프레임워크
  • 실제 클러스터링 결과, 모델 성능 및 상용 서비스 현황 공유
대상
주어진 문장을 보다 적절한 벡터공간에 표현하고자 하는 노력, 인공지능 모델에게 사람의 언어를 더 잘 가르쳐주고자 하는 노력, 그리하여 사람처럼 자연스럽고 정확하게 대답할 수 있는 챗봇을 만들고자 노력 중인 개발자분들에게 도움이 될 수 있길 기대합니다.
강연자
이재원
전체 Schedule 보러가기

PARTNERS

  • baidu
  • carnegie mellon university
  • logo_coupang
  • google
  • hyper connect
  • imply
  • labs
  • labs europe
  • line
  • lunit
  • naver
  • naver business platform
  • nvidia
  • samsunginternet
  • superb ai
  • theori
  • udacity
  • urbanbase

LOCATION

장소
코엑스 그랜드볼룸 (Coex Grand Ballroom)
주소
서울 강남구 영동대로 513 코엑스, (지번) 삼성동 159 코엑스
연락처
02-6000-0114

그랜드볼룸은 봉은사 맞은편 코엑스 1층 북문 쪽에 위치해 있습니다.
지하철 이용 시 9호선 봉은사역 7번 출구를 이용하시거나 삼성역 6번 출구를 이용하시면 됩니다.

교통정보 더보기 >

DEVIEW 2018에 관하여 더 궁금한 점이 있다면?

FAQ 보러가기