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
  • 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
  • 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
강연자 사진
강연 분야
  • 웹
  • 테크 스타트업
  • 빅데이터
  • AI
강연 제목
병리 AI 제품 개발을 위한 데이터 관리 및 좌충우돌 삽질기
강연 내용
의료 데이터에 AI를 접목시키는 다양한 시도가 이루어지고 있고 국내에서도 인허가를 통해 실제 상용화의 길이 열리고 있습니다. 루닛에서는 흉부 영상의학, 유방 영상의학, 심장 영상의학 분야뿐만 아니라 병리 영상도 연구하고 있습니다. 본 세션에서는 머신러닝 연구자가 아닌 B2C 서비스 개발 출신 백엔드 개발자의 입장에서 병리 AI 제품을 개발하며 겪은 몇 가지 핵심 컨셉에 대해 이야기 하려고 합니다. 기술적 난이도가 높은 문제보다는 개발자 입장에서는 생소한 병리학이라는 도메인을 접하면서 생각의 전개를 어떻게 가져갔는지, 어떤 고민과 문제가 있었는지를 공유할 예정입니다.
목차
1. 병리 AI란?
2. 데이터 컨셉과 구조
병리 데이터는 특성상 대용량 이미지 파일을 관리해야 하고 이 데이터를 기반으로 개발을 할 때 고려해야 할 다양한 요소들이 존재합니다. 주어졌던 데이터와 그 데이터의 hierarchy를 어떻게 가져갔는지를 설명하려고 합니다.
3. Openslide와 Openseadragon
오픈소스인 Openslide와 Openseadragon을 이용하여 Whole Slide Image 뷰어를 지원하고 이 위에 annotation과 visualization을 할 수 있도록 개발되었습니다. 각각의 특성과 유스 케이스를 설명하려고 합니다.
4. 병리 AI Projects
실제 개발 중인 제품 구현에 활용된 기술들에 대한 소개와 각각 어떻게 적용했는지, 적용하면서 발생했던 문제를 어떻게 해결했는지에 대해 공유하려고 합니다.
5. 의료 AI 서비스를 개발하는 개발자
강연자
이경원
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
  • 웹
  • 모바일
강연 제목
WebAppFramework, XWhale 개발기
강연 내용
네이버의 주요 서비스는 웹으로 되어 있고 그것들을 보여주는 안드로이드의 WebAppFramework는 중요한 요소입니다. 어떻게하면 더 잘 보이고 더 잘 서비스 할 수 있을지 고민하던 차에 오픈소스인 Chromium과 Crosswalk를 가지고 WebAppFramework를 만들게 되었습니다. 이것을 만들면서 고민했던 것과 적용했던 서비스 사례를 중심으로 개발기를 공유하고자 합니다. 그리고 Crosswalk를 포크한 새 오픈소스 XWhale을 소개합니다.
목차
  • WebAppFramework란 무엇인가
  • 우리는 왜 WebAppFramework를 만들게 되었나?
  • Higgs에서 Crosswalk까지
  • 네이버 서비스 적용사례
  • 새 오픈 소스 XWhale 소개
대상
  • 안드로이드 웹엔진 개발 구현에 관심이 있으신 분
  • 새 WebAppFramework 도입에 관심이 있으신 분
강연자
조진철
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
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