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
  • 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
  • 자율주행
강연 제목
게임 엔진을 활용한 자율 주행 시뮬레이션
강연 내용
전문가들에 따르면 자율주행차의 안정성 검증을 위해선 100억 마일 정도의 주행 테스트가 필요하다고 합니다. 시뮬레이션과 같은 보다 빠르고 안전하게 검증 마일을 늘릴 수 있는 수단을 쓰지 않는다면, 이는 물리적으로 달성이 불가능 수치입니다. 바이두는 Apollo라는 자율주행을 위한 오픈 플랫폼을 제공하고 있습니다. Apollo는 이미 시뮬레이션을 지원하고 있지만, 실제 드라이브를 통해 수집된 데이터의 리플레이에 의존하거나 완벽한 인지를 가정하고 나머지 부분만 테스트할 수 있는 등의 한계를 지니고 있습니다. 본 세션에서는 게임 엔진 기술을 이용해 이러한 한계를 극복하고 더 강력한 시뮬레이터를 제공하기 위한 바이두의 접근 방식을 살펴보려고 합니다.
목차
1. 바이두의 Apollo 플랫폼에 대한 소개
  • Apollo란?
  • 로드맵
  • 아키텍쳐
  • 시뮬레이션 지원
2. 게임 엔진을 활용한 자율주행 시뮬레이션
  • 시뮬레이션
  • 왜 게임 엔진인가?
  • 해결 과제
  • 많이 쓰이는 게임 엔진
4. 바이두의 게임 엔진 기반 시뮬레이션
  • 실사 같은 렌더링
  • 센서 시뮬레이션
  • 도로 네트워크 생성
  • 정답 (ground truth) 데이터 생성
강연자
정재원
강연자 사진
강연 분야
  • 웹
  • 모바일
  • 기타
강연 제목
Learn how Material Design makes it easier and faster to build apps without compromising quality
강연 내용
On any product team, there's often a tension between building things fast and building beautifully. With the latest Material Design release, teams get the best of both world. In this talk, learn about how some of the new components, interactions, and expressive capabilities of Material were used in our early access partner's products to solve their unique design challenges without having to compromise quality.
Contents
1. What is Material Design? How has it evolved?
  • Mission, History, Usage, Updates
2. How are Material's new components, interactions, and expressive capabilities used in our early access partner's products?
  • Case studies: Gmail (internal Google apps)
  • Case studies: Lyft (external partner apps)
3. How has using Material Design improved their product?
  • User Research Data
4. Insights and tips on how to best apply Material Design in your product.
강연자
Jonathan Chung
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
  • 빅데이터
  • 머신러닝
  • AI
강연 제목
NAVER 광고 deep click prediction: 모델링부터 서빙까지
강연 내용
이 세션에서는 온라인 광고 시스템의 전통적인 클릭 예측(click prediction) 문제를 설명하고, 고성능의 예측 및 대용량의 온라인 예측 문제를 해결하기 위해 네이버 광고에서 시도한 모델링 및 엔지니어링 접근 방식을 설명합니다.
목차
1. 온라인 광고 시스템의 주요 문제들 
  • 클릭 예측 문제 
  • 온라인 서빙과 차원의 저주 
2. 모델 구조 
  • 후보군 생성을 위한 추천 시스템 
  • 임베딩 모델 성능과 서빙 성능 간의 tradeoff 제어 
  • Preference와 similarity를 함께 학습하기 
3. 서빙 구조 
  • Approximate Nearest Neighbor search와 cold start 문제 
  • 솔루션 비교: Clipper vs. TensorflowServing 
  • I/O size 변화에 따른 성능 변화 
  • CPU 기반 vs GPU 기반 prediction 비교 
강연자
김윤중 임지훈
강연자 사진
강연 분야
  • 웹
  • 검색
  • 머신러닝
강연 제목
이미지를 이해하는 이미지검색: 텍스트기반 이미지검색에 CNN 이용하기
강연 내용
텍스트 기반 이미지검색은 웹문서/뉴스/동영상검색과 더불어 검색 서비스의 가장 기본이 되는 컬렉션입니다. 최근 효과적인 정보습득을 위한 사용자의 검색 요구는 문서가 아닌 이미지나 동영상으로 찾고자하는 경우가 많아지고 있습니다. 다양한 통계 정보에 대한 추세나 대중교통의 시간표, 인공지능과 같은 최신기술도 이미지로 빠르게 습득하기를 기대하고 있습니다. 네이버 이미지검색은 이러한 빠른 정보습득에 대한 사용자의 요구를 분석하고, 전통적인 정보검색기술과 함께 여러 이미지 분석 기술을 활용하고 있습니다. 무엇보다 딥러닝 기반의 다양한 이미지 이해 기술들을 기존의 검색 기술과 결합해 검색 품질을 개선해 나아가고 있습니다.   이 세션에서는 이미지검색을 통해 사용자들이 기대하는 다양한 검색 요구를 소개하면서 이를 딥러닝의 여러가지 특징들을 이용하여 어떻게 개선할 수 있었는지에 대한 경험을 공유합니다.  
목차
  • 전통적인 정보검색 기법의 한계
  • 이미지검색의 사용자 검색 요구
  • 이미지 이해를 위한 딥러닝 활용
  • 이미지검색의 미래
대상
이 세션은 기본적으로 포털 및 검색 서비스 기업의 검색 개발자를 대상으로 하고 있으나, 검색 서비스에 관심이 많은 학생들에게도 검색 서비스의 원리와 기술을 이해하는데 도움이 될것으로 생각합니다. 뿐만 아니라 최근 딥러닝을 공부하거나 연구개발 중인 분들 중 실제 딥러닝 기술을 이용하여 서비스 개선에 기여하고 싶은 개발자에게도 검색 서비스 사례를 통한 새로운 인사이트를 줄 수 있을 것으로 예상하고 있습니다. 
강연자
조근희
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