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
  • 보안
  • 테크 스타트업
강연 제목
해커의 관점에서 바라보기
강연 내용
소프트웨어 및 하드웨어 개발자들이 알아야 할 취약점의 종류 및 다양한 보안 설계 문제점에 대해 이야기합니다. 특히, 국내외 많은 글로벌 고객사를 대상으로 보안 취약점 및 보안 설계 컨설팅을 진행한 경험에서 배운 해커의 관점을 공유합니다.
목차
해킹에 대한 오해와 진실
해커의 목표 및 목적
  • 해킹은 누가 하는가?
  • 기술 관점 해킹 vs. 소셜엔지니어링 관점 해킹
소프트웨어 세계에서의 해킹
  • 취약점, 공격 및 방어 기법 소개
  • 개발자를 위한 가이드
하드웨어 세계에서의 해킹
  • 취약점, 공격 및 방어 기법 소개
  • 개발자를 위한 가이드
궁극적인 목표: Secure by Design
  • Secure SDLC 도입을 통한 보안성 향상
  • 외부 전문인력 활용 (버그바운티, 보안설계, 모의해킹 등)
각자의 필드에서 해커가 되자!
  • 해커와 개발자는 한끗차이 // 개발자가 해커이고, 해커가 개발자인 것이 가장 이상적
  • 어떻게, 어디서 시작하나?
강연자
박세준
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
  • 빅데이터
강연 제목
Druid로 쉽고 빠르게 빅데이터 분석하기
강연 내용
빅데이터를 저장/분석하기까지 고민과 성능향상을 위해 진행한 여러가지 노력들에 대해 이야기하려고 합니다. 데이터 분석환경을 구축하면서 고려했던 점과 다양한 플랫폼별 비교 테스트한 결과를 소개하고 Druid를 통해 분석할 수 있는 기능과 고급 분석을 위해 진행한 다양한 튜닝 경험을 알려드릴 예정입니다.
목차
1. 데이터 분석의 필요성
2. Druid? 그게 뭔데?
  • Apache Druid vs. Elasticsearch vs. Apache Kudu
3. Druid로 분석하기 - 기본편
4. Druid 성능 향상시키기 - 고급편
  • 질의성능 향상시키기
  • 저장성능 향상시키기
  • 편한 운영을 위한 노력
강연자
송은혜
강연자 사진
강연 분야
  • 빅데이터
  • 머신러닝
  • AI
강연 제목
파파고 서비스 2년의 경험
강연 내용
2016년 8월 서비스를 시작한 자동 통역앱 파파고가 2년 동안 어떤 과정을 통해 성장했는지 이야기하고자 합니다. 사용자들로부터의 피드백을 통해 빠르게 기능을 추가하고 수정한 개발 내용을 공유합니다. 통역앱에서 어떤 고민들과 문제점들이 있었는지, 기술과 UX를 통해서 어떻게 문제를 해결했는지 공유하는 시간을 가지고자 합니다.
목차
  • 경험 1. Priority: 사용자에게 묻기
  • 경험 2. UX: UX로 응급 처치하기
  • 경험 3. Risk: 개편 리스크 줄이기
  • 경험 4. Collaboration: 상황에 맞게 변화하기
  • 경험 5. Culture: 파파고가 일하는 방법
강연자
김준석
강연자 사진
강연 분야
  • 검색
  • 머신러닝
  • AI
강연 제목
Fashion Visual Search
강연 내용
네이버에서는 정확한 정보를 찾기 위해 이미지를 분석하는 다양한 방법을 연구해 왔습니다. 저희는 그 중에서도 패션 이미지 검색에 대해 이야기 해보려 합니다. 패션 검색은 도메인 특성상 기존의 유사이미지를 찾아주는 문제와 접근 방법이 조금 다릅니다. 사용자들은 '정확하게 똑같은 의류' 뿐만 아니라 '유사하지만 스타일이 다른 의류' 이미지 또한 찾고 싶어하기 때문이죠. 이번 세션에서는 패션 검색이 어려운 이유와 그 문제를 어떻게 풀어가고 있는지, 그리고 앞으로의 도전 과제는 무엇인지에 대해 저희가 고민하고 있는 것들을 공유하려고 합니다.
목차
Background
  • 이미지 검색과 이미지 분류
  • 패션 이미지 검색이란?
  • 네이버/라인 서비스 적용 사례
Fashion Visual Search System
  • 무엇이 패션 검색을 어렵게 만드나?
  • 패션 검색 시스템 레시피
성능 끌어올리기 전략: 악마는 디테일에 있다
  • 도메인을 고려하고 있는가?
  • 제한 검색, 득과 실
서비스 딜리버리: Pitfalls
  • 규모의 함정 - 당신이 만든 서비스는 별 볼 일 없다
  • 의도의 함정 - 그 사람은 패션 검색을 하지 않았다
  • 의존성의 함정 - MLaaS, Module & Component
Search-by-Attribute: Beyond Snap & Search
  • 잘 찾는 것이 잘 못 찾는 것이라는 이상한 이야기
  • Fake feature vector - Generative model의 새로운 발견
  • 사용자가 원하는 스타일 속성을 더하여 검색하기 (text -> image -> feature level manipulation)
강연자
최승권 Jon Almazan
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
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