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
  • 검색
  • 머신러닝
  • AI
강연 제목
기계독해 QA: 검색인가, NLP인가?
강연 내용
이 세션에서는 기계 독해 (Machine Reading) 모델을 QA 엔진에 적용하는 방법론에 대한 연구, 겪었던 문제들, 연구계 및 산업의 동향, 그리고 제가 생각하는 우리가 나아가야 할 방향을 전반적으로 다룰 예정입니다. 기계독해는 주어진 문서와 문서에 대한 질문이 주어졌을 때, 문서내에서 답을 구하는 문제입니다. 기계독해는 2016년 SQuAD를 시발점으로 최근에 많은 모델과 많은 데이터 (TriviaQA, MS MARCO, 등등)가 연구 및 공개되었고, 특히 올해에는 인간수준을 넘어서는 알리바바, 마이크로소프트 및 구글의 모델이 공개되기도 했습니다. 이렇게 연구계와 업계가 많은 관심을 보인 이유가 여럿 있겠지만, 기계독해 모델이 QA (질의응답) 엔진에 직접적으로 적용이 가능한 점을 빼놓을 수 없습니다. 예를 들어, "하늘이 왜 파랄까?"라는 질문을 답하기 위해 먼저 관련된 "하늘"이라는 문서를 찾고, 기계독해 모델에 해당문서와 질문을 넣게 되면, 답이 나오는 구조입니다. 이는 문서를 찾아주기만 하는 서비스, 즉 "검색"을 넘어서서, 문서를 "이해"하고 원하는 정보를 꼭 집어서 찾아줄 수 있는 서비스가 됩니다. 다만 막대한 정보의 바다 속에서 올바른 문서를 찾는 것은 쉬운 것이 아닙니다. 따라서 기계독해를 통한 QA는 검색과 NLP의 첨단 접점이라 볼 수 있습니다. 먼저 기계독해 이전의 검색기반 QA를 간단히 설명하고, 다음은 최근에 각광받는 기계독해 (NLP) 기반 QA를 자세하게 살펴보려 합니다. 하지만 전자는 섬세함이 부족하고, 후자는 속도가 느립니다. 그래서 마지막으로는 둘을 통합하는 방법론을 다룹니다. 특히, 단순하게 "검색 후 독해" 형태를 벗어나서, 제가 최근에 연구했던 Phrase-Indexed QA를 새로운 challenge로서 제안하고자 합니다. 기존 기계독해 문제를 phrase retrieval 형태로 치환함으로써, scalability (속도) 뿐만 아니라 phrase representation learning 을 도모합니다. 새로운 패러다임의 첫번째 주자로서 제가 겪었던 문제들 및 해결방법을 논하고, 연구계 및 업계의 참여를 독려하고자 합니다.
목차
1. 찾는 QA (검색)
2. 이해하는 QA (NLP)
3. QA는 검색과 NLP의 조화다
  • 찾고나서 이해하기
  • 빛의 속도로 읽기: Phrase-Indexed QA
강연자
서민준
강연자 사진
강연 분야
  • 머신러닝
  • AI
강연 제목
인공지능이 인공지능 챗봇을 만든다
강연 내용
"언제까지 직접 눈으로 클러스터링할래? 언제까지 밤새 감으로 파라미터 튜닝할래?" AutoML과 자연어처리 중 특히 Chatbot과의 결합으로 데이터만 있으면 스스로 인간의 언어를 학습하고, 보다 정확한 대화모델을 만들어내는 가능성이 현실이 되는 과정을 소개하고자 합니다. 사용자로부터 입력된 여러 쌍의 QA 데이터를 클러스터링부터 여러 모델에 사용될 파라미터 최적화, 개별 모델 성능 평가 그리고 여러 모델 간의 앙상블 가중치 자동설정 후 처음 주어진 데이터로 최적의 챗봇 모델 최종 제안 및 서비스까지 one-click으로 이루어지는 AutoML을 공유하고, 더 넓게는 챗봇이 아닌 다른 NLP분야에서도 적용 가능한 AutoML의 가치를 나누고자 합니다.
목차
  • 스스로 언어를 배우는 인공지능 만들기 : AutoML과 NLP/Chatbot 개념 소개
  • 우리 챗봇의 말하기 실력은 몇 점? : Chatbot 자동 평가 프로세스
  • 말뭉치 줄게, 챗봇 다오 : Chatbot 자동학습 프레임워크
  • 실제 클러스터링 결과, 모델 성능 및 상용 서비스 현황 공유
대상
주어진 문장을 보다 적절한 벡터공간에 표현하고자 하는 노력, 인공지능 모델에게 사람의 언어를 더 잘 가르쳐주고자 하는 노력, 그리하여 사람처럼 자연스럽고 정확하게 대답할 수 있는 챗봇을 만들고자 노력 중인 개발자분들에게 도움이 될 수 있길 기대합니다.
강연자
이재원
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