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
강연 제목
Wikipedia-scale Q&A
강연 내용
The primary medium for storing and disseminating knowledge is natural language and recent novel Human-Computer Interfaces have started to show the tremendous benefit of using it in interactions. In the field of web search the movement from keyword-based indexation to natural language-driven personalized assistance is evolving and Machine Reading has emerged as a possible continuation of the Natural Language Processing tasks. Given a large set of text passages that are associated with questions and answers, our goal is to learn a question answering system solely from these examples. Research groups dedicated to Machine Reading around the globe have started to produce encouraging results in such a task where our current understanding of deep learning and machine comprehension is challenged. In this talk, we go through a series of concrete applications and neural models associated with this task. We first present a Wikipedia-scale question answering service, a dialog understanding application of machine reading and an application to the problem of fake news detection. We then introduce ReviewQA which is a dataset of relational reasoning for review understanding. We conclude with open research directions and future investigations such as unsupervised common-sense acquisition and differential reasoning.
강연자
Julien Perez
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
  • 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
  • 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
  • 머신러닝
  • AI
강연 제목
컴퓨터 비전을 이용한 실내 지도 자동 업데이트 방법: 딥러닝을 통한 POI 변화 탐지
강연 내용
실내 공간을 지도로 디지털화하는 과정은 많은 시간과 비용이 필요합니다. 그동안 자동화 시스템의 미비로 인해 최신 POI 정보를 데이터베이스로 반영하는 업데이트 주기는 불규칙하고 종종 지연되었습니다. 본 발표에서는 동일 장소이지만 다른 시간대에서 촬영된 이미지 데이터 세트를 분석하여 POI 변화을 감지하는 효율적인 방법을 제안합니다. 제안 된 시스템은 딥러닝 이미지 검색, 영상 분할, 객체 검출 및 이미지 매칭과 관련된 다양한 컴퓨터 비전 기술을 통합하고 있습니다. 실내 환경에서 간판은 시간 경과에 따른 POI 변화 감지에 대한 강력한 단서를 제공합니다. 따라서 제안하는 시스템은 두 가지 보완적인 접근 방법을 조합하여 사용합니다. 1) 객체 감지를 기반으로 간판의 변화를 관찰하고, 2) 다른 하나는 전체 이미지를 분석합니다. 본 발표에서는 다양한 정성적 정량적 실험 결과들을 공유하고, 실제 상황에서 동작이 가능한 POI 변화 탐지 시나리오를 시연하고자 합니다.
강연자
정성균 Jérome Revaud
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