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
Deep Learning to help student’s Deep Learning
강연 내용
With the growing demand for people to keep learning throughout their careers, massive open online course (MOOCs) companies, such as Udacity and Coursera, not only aggressively design new courses that are relevant (e.g., self-driving cars and flying cars), but refresh existing courses’ content frequently to keep them up-to-date. This effort results in a significant increase in student numbers, which makes it impractical for even experienced human instructors to assess an individual student's level of engagement and anticipate their learning outcomes. Moreover, students in each MOOC classroom are heterogeneous in background and intention, which is very different from a classic classroom. Even subsequent offerings of a course within a year will have a different population of students, mentors, and—in some cases—instructors. Also, due to the nascent nature of online learning platforms, many other aspects of a course will evolve quickly such that students are frequently being exposed to experimental content modalities or workflow refinements. In this world of MOOCs, an automated machine which reliably forecasts students’ performance in real-time (or early stages), would be a valuable tool for making smart decisions about when (and with whom) to make live educational interventions as students interact with online coursework, with the aim of increasing engagement, providing motivation, and empowering students to succeed. With that, in this talk, we first recast the student performance prediction problem as a sequential event prediction problem. Then introduce recently-developed GritNet architecture which is the current state of the art for student performance problem and develop methods to use (or operationalize) GritNet in real-time or live predictions with on-going courses. Our results for real Udacity students’ graduation predictions demonstrate that the GritNet not only generalizes well from one course to another across different Nanodegree programs, but enhances real-time predictions explicitly in the first few weeks when accurate predictions are most challenging. In contrast to prior works, the GritNet does not need any feature engineering and it can operate on any student event data associated with a timestamp.
강연자
김병학
강연자 사진
강연 분야
  • 머신러닝
  • 인프라
  • 성능
강연 제목
TensorRT를 활용한 딥러닝 Inference 최적화
강연 내용
이 세션은 대용량의 서비스에 대응하기 위하여 딥러닝 Inference를 TensorRT를 활용하여 최적화하는 과정을 이야기하고자 합니다. 좋은 딥러닝 모델이라고 하더라도 대용량 서비스로 배포를 하는데 있어서 성능상 한계점을 갖고 있습니다. 이를 해소하기 위해 TensorRT를 활용하여 모델을 최적화하는 방법을 소개하고, 부딪히게 되는 문제와 해결하는 방법들을 공유하여 딥러닝 모델을 바탕으로 실제 서비스를 개발하시는 분들에게 도움이 되고자 합니다. 특히 CNN/RNN 모델에 대한 접근 방법과 TensorRT에서 포함되지 않은 레이어 및 8 bit calibration에 대한 경험을 공유하고 성능에 대한 부분도 다룰 것입니다.
목차
1. DL inference 서비스 개발 현황 및 이슈
  • DL inference의 도전과제 (throughput, response time, model complexity)
  • Large Scale inference 적용시 문제점
2. TensorRT 소개
  • Introduction / workflow / technical hurdles
3. Deep learning 모델 별 TensorRT 적용 방법
  • Object Detection
  • Seq2Seq
  • Performance estimation
4. 데모
강연자
한재근
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
  • 빅데이터
강연 제목
C3, 데이터 처리에서 서빙까지 가능한 하둡 클러스터
강연 내용
네이버의 다양한 대용량 데이터를 다루기 위해 수백명이 함께 사용하는 사내 공용의 하둡 클러스터인 C3가 운영되고 있습니다. 일반적으로 하둡은 MapReduce, Spark와 같은 데이터 처리를 위한 플랫폼으로 알려져 있습니다. 하지만, C3에서는 HBase, Kafka, Zeppelin 등의 다양한 앱을 실행하거나 사용자가 직접 작성한 Docker 이미지를 실행할 수 있는 환경을 제공합니다. 이로써 C3는 데이터 처리뿐 아니라 다양한 용도로 사용되고 있습니다. 예를 들어 Zeppelin을 이용해 데이터를 분석하거나, 처리된 데이터를 서빙하는 웹서버를 구동시킬 수도 있습니다. 사실상 데이터 처리부터 분석, 서빙까지의 모든 작업이 하둡 클러스터에서 가능합니다. 본 세션에서는 이를 위해 활용된 YARN, Apache Slider, Docker 대해 소개하며 어떻게 이를 적용하였는지 설명합니다. 또한, 그동안 발생했던 다양한 이슈들을 사례를 들어 설명하고 해결 방법을 공유합니다.
목차
1. C3 소개
  • 데이터 처리를 위한 하둡 클러스터로 시작
  • 다양한 앱, Docker 이미지 실행 환경 제공
2. 어떻게?
  • Hadoop YARN, Apache Slider, Docker
3. 고려사항 / 이슈
  • Containerization
  • Resource Isolation
  • Reliability
  • Scheduling
  • Upgrade/Reconfigure
  • Usability
4. 앞으로는?
강연자
남경완
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
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