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
  • 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
  • 머신러닝
  • AI
  • 기타
강연 제목
누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
강연 내용
좋아하는 사람이나 연예인의 목소리로 책이나 메시지를 듣고 싶은 요구는 오래 전부터 존재했습니다. 하지만 지금까지 그런 서비스가 없었던 기술적인 이유를 알아보고 네이버 음성 합성팀이 풀어 나간 방법을 여러 사람들과 공유하고 싶습니다. 누구나 쉽게, 자신의 목소리로 음성 합성기를 만드는 개인화 음성 합성 기술들은 10년 전부터 존재했습니다. 최근에 Tacotron, WaveNet 등의 기술이 나왔지만 상용화를 위해서는 해결해야 할 문제점이 많습니다. 적은 양의 음성 데이터로, 추가적인 정보 없이, 서비스 가능한 품질의 개인화 음성 합성기를 개발하기 위해 네이버 음성 합성팀이 선택한 기술과 적용한 방법을 알아볼 예정입니다.
목차
개인화 TTS - 지난 10년 동안의 떡밥
  • 개인화 TTS란?
  • 사용 시나리오
왜 안될까요?
  • 녹음 대상, 환경, 분량
  • 합성기 제작에 필요한 추가 정보
  • 모델 크기, 비용
어떻게 풀었을까요?
  • Concatenative vs Statistical parametric
  • End-to-End
  • Model Adaptation
NES
  • 전체 구조
  • 구성 요소
  • Quality vs Time vs Cost
들어봅시다
  • 시연
강연자
이봉준
강연자 사진
강연 분야
  • 검색
강연 제목
네이버 검색과 개인화
강연 내용
이 세션에서는 네이버 검색에서 생각하는 '개인화'서비스에 대하여 이야기하고자 합니다. "검색에서 개인화 서비스는 필요한 것인가?"라는 질문으로 시작해서, 네이버 검색이 '개인화'라는 화두에 대해 어떤 목표를 가지고 무엇을 이루어가려고 하는지 다룹니다. 사용자의 검색의도를 만족시킨다는 측면에서, 검색에 적용된 개인화 기술을 소개합니다.
목차
  • 검색에 개인화가 필요한가?
  • 검색의도를 만족시키기에 유리한 개인화
  • 검색의도 추정
  • 의도에 맞는 결과 구성
  • 개인화 평가
강연자
최재걸
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
강연자 사진
강연 분야
  • 머신러닝
  • 기타
강연 제목
로봇이 현실 세계에 대해 학습하도록 만들기
강연 내용
AlphaGo, Dota 2, DeepStack - AI beats humans as long as the world is neat and digital. But how close are we when it comes to football and grocery shopping? In this talk we address the challenges in bridging such a gap, describing research and promising future directions currently pursued at Naver Labs to take robots from computer screens and bring them into real environments. In computer games, the goal is usually well defined and can be simulated in ‘hyper-speed self-play’ to get experience that would take hundreds of years to obtain in real environments. To successfully transfer algorithms from simulators to real life robots need to be able to successfully carry out tasks in every day contexts. Since evaluating the outcome of the performance of these tasks is manually intensive and that complex environments are hard to simulate realistically, we are currently pursuing approaches where robots learn to accomplish tasks autonomously. The important part of this approach is to make the robot curious about its environment to allow it to learn in a self-supervised manner and to utilize as much as possible its experience. We describe our ForwardGAN-approach to build these models and demonstrate robot behaviour on task of active localization that allows it to quickly localize itself on a map.
강연자
Tomi Silander​
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
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