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
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
  • 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
  • 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
  • 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
  • 성능
강연 제목
웹 성능 최적화에 필요한 브라우저의 모든 것
강연 내용
웹 콘텐츠 (HTML, CSS, JS)는 브라우저에서 처리되어 화면에 렌더링됩니다. 그래서 브라우저 내부 동작 원리를 이해하지 못하면 일정 수준 이상의 성능 최적화가 어렵고, 왜 이런 문제가 발생하는지 이해하기도 쉽지 않습니다. 브라우저 내부 동작 원리 관련으로는 How browsers work와 같은 훌륭한 문서들이 있지만 거의 대부분 6-7년 전의 자료들이어서 최신 멀티 프로세스 기반의 브라우저에서 동작하는 웹 콘텐츠를 이해하기에는 부족함이 있습니다. 이번 세션에서는 멀티 프로세스 기반의 최신 웹브라우저(웨일, 크롬, 오페라 등)에서 웹 콘텐츠를 어떻게 처리하여 화면에 렌더링 하는지에 대한 동작 원리에 대한 설명과, 이를 바탕으로 한 웹 성능 최적화 기법을 소개합니다.
목차
  • Summary of how browsers work
  • How the browser makes a frame?
  • VSync aligned touch input & frame output
  • Rendering pipeline stage costs
강연자
이형욱
강연자 사진
강연 분야
  • 모바일
  • 테크 스타트업
  • 머신러닝
  • AI
강연 제목
모바일 환경에서 실시간 Portrait Segmentation 구현하기
강연 내용
최근 딥러닝의 발전으로 전에 없던 다양한 서비스들이 개발되고 있습니다. 그러나 아직 대부분의 딥러닝 기반 서비스는 기술적 한계로 인해 서버 상에 배포되는 경우가 많고, 이런 서버 배포 모델은 통신에 드는 비용으로 인해 실시간 서비스에 적용하기 어려운 문제가 있습니다. 본 세션에서는 하이퍼커넥트에서 서비스 중인 아자르에 모바일 상에서 구동 가능한 실시간 portrait segmentation 기능을 개발하여 적용하기까지 사용했던 기술과 경험을 공유하려 합니다. Portrait segmentation은 사진 혹은 영상 속에서 전경과 배경을 구분해내는 기술로, 세션에서 소개할 방법들을 통해 Galaxy J7과 같은 저가형 휴대폰에서도 single-core로 30 프레임 영상의 전경과 배경을 분리하는 애플리케이션을 만들 수 있었습니다. 세션 내용은 모델의 크기와 추론 시간을 줄일 수 있는 일반적 기술에 대한 소개와 실제로 TFLite를 사용한 모바일 애플리케이션을 만들며 겪은 시행착오 위주로 구성됩니다. 보다 자세한 내용이 궁금하신 분들은 하이퍼커넥트 기술 블로그(https://hyperconnect.github.io)를 참고 부탁드립니다.
목차
1. 모바일 딥러닝
  • 모바일 딥러닝의 현재
  • 데모 프로젝트를 상용 서비스로 만들때의 유의점
      • 2. Portrait Segmentation 101
      • Portrait Segmentation을 어디에 쓸 수 있을까?
          • 3. 추론(inference) 시간을 줄이려면?
          • Quantization
          • Factorization
          • Distillation
          • Model design principles
              • 4. Single-core로 30프레임 성능을 내기까지
              • TFLite 최적화 구현 활용하기
              • TFLite 구현시 마주하는 함정들과 해결법
              • SIMD로 bilinear upsampling 구현하기
강연자
서석준
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