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
  • 테크 스타트업
  • AI
  • 인프라
강연 제목
AI 칩 개발에 사용되는 엔지니어링
강연 내용
AI 칩 개발은 반도체 개발인 HW engineering 영역이라고 분류합니다. 하지만 실제 개발과정의 대부분은 Doman Specific Language를 통한 SW engineering 과정이라고 볼 수 있습니다. 본 발표에서는 AI 칩에 대한 소개와 더불어 엔지니어링적인 challenge를 논의합니다.
목차
  • Introduction to AI chips
  • Challenges of AI chips vs traditional chips
  • Scale of computation
  • Scale of storage
  • Scale of model diversities
  • Scale of services
  • Semiconductor Chip design: Ultimate precision engineering
  • Engineering flows
  • Scala-based Chisel Languages
  • Rust-based verification environment
  • Performance modeling
  • Verification, Verification, Verification
  • Our vision: AI building AI chips
강연자
백준호
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
  • 웹
  • 모바일
강연 제목
WebAppFramework, XWhale 개발기
강연 내용
네이버의 주요 서비스는 웹으로 되어 있고 그것들을 보여주는 안드로이드의 WebAppFramework는 중요한 요소입니다. 어떻게하면 더 잘 보이고 더 잘 서비스 할 수 있을지 고민하던 차에 오픈소스인 Chromium과 Crosswalk를 가지고 WebAppFramework를 만들게 되었습니다. 이것을 만들면서 고민했던 것과 적용했던 서비스 사례를 중심으로 개발기를 공유하고자 합니다. 그리고 Crosswalk를 포크한 새 오픈소스 XWhale을 소개합니다.
목차
  • WebAppFramework란 무엇인가
  • 우리는 왜 WebAppFramework를 만들게 되었나?
  • Higgs에서 Crosswalk까지
  • 네이버 서비스 적용사례
  • 새 오픈 소스 XWhale 소개
대상
  • 안드로이드 웹엔진 개발 구현에 관심이 있으신 분
  • 새 WebAppFramework 도입에 관심이 있으신 분
강연자
조진철
강연자 사진
강연 분야
  • AI
강연 제목
글자읽는 AI: 밑바닥부터 외국어 정복까지
강연 내용
이 세션에서는 OCR에 대해서 아무 경험이 없는 사람들이 모여서 반 년 만에 영어뿐만 아니라 일본어까지 OCR로 정복했던 과정들에 대한 이야기를 하고자 합니다. OCR은 꽤 오래 전부터 연구되어 온 분야이지만 3년 전부터 딥러닝 방법론이 유입되면서 그 성능이 급향상되었습니다. OCR 관련 기술 종류 및 딥러닝 기반 OCR 기술들의 전반적 흐름에 대해 설명하며, 논문들은 대부분 '영어'를 주언어로 삼고 있습니다. 논문들을 통해 확보한 기술들을 '일본어'에 적용할 때, 논문에서는 다루지 않지만 반드시 다루어야 하는 여러 문제들이 있습니다. 어떤 데이터를 확보할 것인지, 어떻게 데이터를 라벨링 할 것인지, 검출기와 인식기를 어떻게 결합할 것인지, 후처리를 어떻게 할 것인지 등 다양한 문제들에 대한 공략 경험담을 공유하고자 합니다.
강연자
이활석
강연자 사진
강연 분야
  • 모바일
  • AR
  • 테크 스타트업
강연 제목
printf("Hello, AR"); //세상을 바꾸는 새로운 눈
강연 내용
가상과 현실의 동시 경험을 제공하는 AR 기술의 작동원리는 크게 규칙적인 디지털 표식/패턴을 인식하는 마커 방식과 이미지/오브젝트 형태 등을 인식하는 마커리스 방식으로 구분됩니다. 이러한 인식기술에 컨텐츠 (3D,영상,이미지 등)을 표시하기 위한 그래픽 렌더링 기술, 사용자의 입출력 정보와 디바이스의 센서 (가속,자이로,근접,밝기,모션) 정보 등을 최종적으로 카메라에 연출하는 영상 합성기술 등이 더해져서 AR이 작동하게 됩니다. 본 세션에서는 복잡한 AR 기술에 조금 더 쉽게 접근하기 위한 정보와 국내 최초로 AR서비스를 개발하면서 겪은 시행착오, 이를 통해 얻게 된 인사이트들을 공유드리고자 합니다.
목차
1. VR(Virtual reality)속 AR(Augment reality)
2. AR은 우리의 삶에 어떻게 녹아 있는가?
  • 시장규모 및 전망
  • 소비기반의 AR : 커머스, 네비게이션, 게임, 교육 등
  • 생산기반의 AR : 제조, 건축, 의료 등
3. AR 기술 구현의 한계
  • 개발 측면 : 3D 관련 지식, AR 개발도구 & 문서, 필수인력
  • 인프라 측면 : 디바이스, 네트워크
  • 서비스 측면 : BM 확장, 단순 마케팅 수단
4. AR 구현을 돕는 다양한 도구들
  • 비개발자 : wiarframe, Snapchat Lens Studio, Facebook AR Studio
  • 개발자 : 3D 변환 API, 다양한 AR SDK
5. AR 구현 시 겪게되는 경험 공유
  • 용어부터 어려운 기반 지식 : VIO, 6DoF, Light Estimation, SLAM, PBR, ToF
  • 기술응용에 필요한 학습비용(ARKit, ARCore 등)
  • 표준 파일 포맷 부재 : OS(iOS, Android)별 상이한 3D 파일 포맷
  • 서비스 품질 수준
  • User Experience : 단순함, 피로감, 2D와의 차별화
6. 가까운 미래에 만나게 될 AR 기술 및 서비스
  • Quick Look
  • Object Scan, Save, Detect
  • AR Cloud : Cloud Anchor, AR 명함, 건축가를 위한 AR
  • AR + Vision + Machine Learning
대상
  • AR 서비스에 대한 새로운 비지니스 모델을 고민하는 기획자/개발자/디자이너 누구나
  • AR 서비스 개발에 흥미를 갖는 개발자
강연자
방현우
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
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