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
  • 음성인식
  • 머신러닝
강연 제목
Clova 화자인식
강연 내용
화자인식은 주어진 목소리가 누구의 목소리인지, 그리고 정말로 의도한 사람의 목소리가 맞는지를 판별하는 기술로, 음성인식과 함께 사용하면 개인 맞춤형 음악 추천, 본인 인증 등 다양한 서비스에 이용할 수 있습니다. 하지만 실제 화자인식 서비스를 위해서는 목소리 수집부터 성능 최적화에 이르기까지 많은 문제들이 있습니다. 본 세션에서는 클로바 플랫폼을 위해 개발된 클로바 화자인식기가 이런 문제들을 어떻게 극복하여 만들어졌는지에 대해서 공유하고자 합니다.
목차
  • 화자인식이란?
  • Clova 화자인식은 어떻게 만들었을까요?
  • 다음은 무엇을 해야 할까요?
강연자
이봉진
강연자 사진
강연 분야
  • 검색
  • 머신러닝
  • AI
강연 제목
Fashion Visual Search
강연 내용
네이버에서는 정확한 정보를 찾기 위해 이미지를 분석하는 다양한 방법을 연구해 왔습니다. 저희는 그 중에서도 패션 이미지 검색에 대해 이야기 해보려 합니다. 패션 검색은 도메인 특성상 기존의 유사이미지를 찾아주는 문제와 접근 방법이 조금 다릅니다. 사용자들은 '정확하게 똑같은 의류' 뿐만 아니라 '유사하지만 스타일이 다른 의류' 이미지 또한 찾고 싶어하기 때문이죠. 이번 세션에서는 패션 검색이 어려운 이유와 그 문제를 어떻게 풀어가고 있는지, 그리고 앞으로의 도전 과제는 무엇인지에 대해 저희가 고민하고 있는 것들을 공유하려고 합니다.
목차
Background
  • 이미지 검색과 이미지 분류
  • 패션 이미지 검색이란?
  • 네이버/라인 서비스 적용 사례
Fashion Visual Search System
  • 무엇이 패션 검색을 어렵게 만드나?
  • 패션 검색 시스템 레시피
성능 끌어올리기 전략: 악마는 디테일에 있다
  • 도메인을 고려하고 있는가?
  • 제한 검색, 득과 실
서비스 딜리버리: Pitfalls
  • 규모의 함정 - 당신이 만든 서비스는 별 볼 일 없다
  • 의도의 함정 - 그 사람은 패션 검색을 하지 않았다
  • 의존성의 함정 - MLaaS, Module & Component
Search-by-Attribute: Beyond Snap & Search
  • 잘 찾는 것이 잘 못 찾는 것이라는 이상한 이야기
  • Fake feature vector - Generative model의 새로운 발견
  • 사용자가 원하는 스타일 속성을 더하여 검색하기 (text -> image -> feature level manipulation)
강연자
최승권 Jon Almazan
강연자 사진
강연 분야
  • 검색
  • 성능
강연 제목
Search Reliability Engineering (부제: 지진에도 흔들리지 않는 네이버 검색시스템)
강연 내용
네이버 검색에서는 하루에도 수십억 건씩 발생하는 사용자 검색 request를 항상 원활하게 처리하기 위해서 많은 노력을 하고 있습니다. 이렇게 대용량 트래픽을 1년 365일 무중단으로, 장애 없이, 그리고 low latency까지 보장하면서 운영하려면 어떤 방법이 필요할까요? 이번 세션에서는, 네이버 검색시스템에서 지금까지 겪어왔던 고민과 해결책들을 소개하고자 합니다. 시스템의 상태를 정확히 파악하기 위해서 새로운 가용량 지표를 개발하고, 경보 피로를 줄일 수 있는 anomaly detection 방법을 연구하고, SRE 문화를 도입하는 등 많은 경험을 쌓아왔습니다. 이러한 과정에서 얻은 노하우들과 더불어 그동안 맞닥뜨렸던 다양한 검색 이벤트들도 함께 공유해드리겠습니다. ​ "월드컵 한국 vs 독일 경기 당시 어떤 패턴의 검색 요청이 들어왔을까?" "아시안게임 남자축구 금메달이 확정되는 순간 네이버 검색시스템에서는 무슨 일이 일어났을까?" "규모 5.8의 지진이 일어났을 때 검색시스템이 감당해야 하는 트래픽은 얼마일까?" "야간과 주말에 최소 비용으로 장애관제를 하기 위해서는 어떤 체계가 필요할까?" "200개가 넘는 검색서비스가 수만 대의 서버 위에서 동작하고 있을 때 특정 포인트의 장애를 detection할 수 있을까?"
강연자
김재헌 손주식
강연자 사진
강연 분야
  • 머신러닝
  • AI
  • 인프라
강연 제목
NSML: 머신러닝 플랫폼 서비스하기 & 모델 튜닝 자동화하기
강연 내용
Clova AI 조직에서 사용하고 있는 클라우드 머신러닝 플랫폼인 NSML과, 이를 활용한 NSML AutoML에 대해서 이야기하고자 합니다. NSML에 대한 간략한 소개와, NSML을 사용함으로써 생겨난 긍정적인 변화들, 그리고 이를 이용해서 개최한 사내/외 대회 등에 대해서 소개합니다. 또한, NSML을 통해서 모델 학습부터 서빙까지 가는 workflow와 실제 사례에 대해서 소개합니다. 또한, NSML AutoML에 대한 소개와 실제 데모, 그리고 이를 실제 모델에 적용해 본 사례 등을 공유하고자 합니다.
목차
1. NSML 소개 
  • NSML 시스템의 목표 
  • 기본 구조 및 개발 이슈 
  • NSML을 사용해서 달라진 점 
2. NSML as a service 
  • NSML for cooperation (팀 내 사용) 
  • NSML for competition (사내/외 해커톤) 
  • NSML for deploying (wavenet을 이용한 음성 합성) 
3. NSML AutoML 
  • AutoML이란? 
  • NSML을 이용해서 사람보다 뛰어난 AutoML 만들기
강연자
김민규 김진웅
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
강연자 사진
강연 분야
  • 웹
  • 모바일
  • 성능
강연 제목
책에서는 맛볼 수 없는 HTML5 Canvas 이야기 ​(부제: Web Worker를 이용해 캔버스 성능을 극대화하기)
강연 내용
HTML5를 선도하였던 기술 < canvas > 에 대해서 다룹니다. 캔버스는 등장 이후 급속도로 성장해왔고, 이제 브라우저에서 빠질 수 없는 기능이 되었습니다. 전체 웹 페이지의 30% 이상이 캔버스를 사용하고 있으며 캔버스의 성능개선은 웹 개발자에게 매우 중요한 과제가 되었습니다. 본 세션에서는 캔버스의 성능을 개선할 수 있는 새로운 방법들에 대해서 다룹니다. 특히 최근 Chrome 69에 추가 된 OffscreenCanvas API를 사용하여 렌더링에 걸리는 부하를 메인 스레드에서 Web Worker로 위임함으로써 캔버스를 개선할 수 있는 방법과 내부 구현 원리에 대해 상세히 설명합니다. 나아가 국내에서는 잘 알려지지 않았지만 브라우저 내부에 구현되었던 몇몇 API들과 앞으로 캔버스가 나아갈 방향 (웹 표준과 브라우저 구현 관점에서)를 공유합니다.
목차
1. Motivation
  • HTML5 Canvas의 등장
  • 웹 분야에서 Canvas의 위치
  • 많은 개선에도 불구하고 Canvas가 느린 이유

2. DOM과 Canvas 애니메이션의 차이점
  • Retained Mode VS Immediate Mode
  • DOM animation VS Canvas animation
  • 장점과 단점

3. 기존의 성능 개선 사례 및 문제점 분석
  • 기존 사례1. < canvas >와 drawImage를 이용한 성능 개선
  • 기존 사례2. Canvas Proxy와 Canvas In Workers
  • 기존 사례3. WebGL in Web Worker
  • 기존의 문제점은 무엇인가?
4. 새로운 OffscreenCanvas API 적용하기
  • 이미지 복사 최소화 (Zero-copy image)
  • Trasnferrable ImageBitmap을 활용한 Main thread 동기화 방식
  • Compositor에 직접 commit하는 방식
  • 기존 대비 개선 된 성능 비교

5. 사례 연구
  • Three.js in a worker
  • Multiple WebGL views
  • W3C WebXR spec
  • Google Map

6. 그 밖에 알려지지 않은 API 및 연구과제들
  • Path2D
  • HitRegion
  • Color Space
  • Input Events in Workers

7. 브라우저 구현 현황

대상
  • 성능 향상이 필요한 Canvas2D 개발자
  • WebGL / WebXR (AR + VR) 개발자
  • Web Front-End 개발자
  • 웹 표준 및 브라우저 기술에 관심 많은 개발자
  • 기타 모든 개발자
강연자
방진호
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