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
Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기
강연 내용
이 세션에서는 딥러닝 모델을 실제 서비스하는 방법에 대해 실제 경험을 바탕으로 노하우와 팁을 공유합니다. 업데이트된 모델을 안정적으로 배포하는 방법과 롤백, 인퍼런스 오류를 어떻게 대처할지, CPU로 서빙할지 GPU로 서빙할지, 늘어나는 트래픽을 어떻게 대처할지, 서빙을 위한 플랫폼 설계 노하우와 성능 향상을 위한 모듈화, 구현하면서 맞닥뜨렸던 문제들과 고군분투하여 찾은 노하우들 그리고 몇 주간의 삽질로 찾은 안되는 설계와 엔지니어링 측면에서 범하기 쉬운 설계 오류와 실제 성능 테스트 결과 등을 알려드립니다.
목차
1. 문제
  • 모델은 있는데 서버가 없네
  • 다른 사람들은 어떻게 제공하고 있나
2. 해결을 위한 설계 - 학습과 서빙을 위한 시스템 설계 사례
  • 인퍼런스 요청 모듈화하기
  • 어떤 플랫폼을 사용해서 서빙할까 - 인퍼런스 서빙 시스템 아키텍처
  • 인퍼런스 시스템의 라이프사이클
3. AiSP(AI Serving Platform)를 만들어 해결해보기
  • 인퍼런스 서버 만들기
  • 인퍼런스 프로트엔드 만들기
  • 딥러닝 모델 배포 플로우
  • 인퍼런스 트래픽을 컨테이너로 스케일아웃 하기
  • 모델 관리하기와 데이터 관리하기
  • 인퍼런스 예외 처리
4. 만들어진 딥러닝 서빙 플랫폼은 이런 모습
  • 노트북/특정 장비에서 띄우기
  • 네이버의 IQE, C3 플랫폼을 사용해 띄우기
5. 딥러닝 인퍼런스 성능 측정 및 모니터링
  • 성능에 나타난 인퍼런스 요청의 특징
  • 실제로 모니터링하는 지표들 살펴보기
강연자
현동석 양은숙
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
  • 빅데이터
강연 제목
스트림 저장소 최적화 이야기: 아파치 드루이드로부터 얻은 교훈
강연 내용
아파치 드루이드는 고성능 분석을 위한 데이터 저장소로 스트림 데이터를 적재함과 동시에 분석이 가능합니다. 하지만 보다 최적의 분석 성능을 얻기 위해서는 데이터 파티션을 최적화 하는 것이 중요합니다. 본 세션에서는 분산 시스템에서 실시간으로 유입되는 스트림 데이터를 위해 데이터 파티션을 최적화 하는 방법에 대해 이야기하고, 이를 드루이드 시스템에 적용하여 개발하였던 경험을 공유하고자 합니다. 먼저 데이터 파티션 최적화의 중요성과 스트림 데이터 저장 시 파티션 최적화의 어려움을 실제 사례에 기반하여 소개하고, 이를 해결하기 위한 드루이드의 새로운 Locking 기법 및 자동 컴팩션에 대해 소개합니다.
목차
1. 아파치 드루이드 소개 2. 데이터 파티션 최적화의 필요성 3. 스트림 데이터 저장 시 데이터 파티션 최적화의 어려움 4. 더 세밀한 Locking 시스템 5. 자동 컴팩션 6. 향후 개발 방향
강연자
손지훈
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
  • 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
강연자 사진
강연 분야
  • 웹
  • 기타
강연 제목
Modern C++ 무조건 써야해?
강연 내용
다들 Modern C++를 적극적으로 사용하고 계신가요? 우리는 C++98 버전까지를 classical C++, 그 이후 버전부터 3년 단위로 릴리즈되는 C++ 표준을(C++11 / C++14 / C++17 / C++20...) Modern C++라고 부르고 있습니다. 생각보다 빨리 찾아오는 3년 주기는 우리에게 새로운 표준 feature들을 안겨주는데 우리는 이걸 써야 할지, 말아야 할지, 신규 코딩에만 적용할지, 기존 코드도 모조리 리팩토링을 해야 할지 고민하게 됩니다. 혹은 아직도 classical C++만 고집할 수도 있죠. 크로미움은 C++를 가장 활발히 사용하고 있는 오픈 소스 프로젝트 중 하나입니다. 이들은 오픈 소스 커뮤니티에서 공개된 논의를 통해 c++11, c++14 feature 하나 하나씩 면밀히 검토하였습니다. 또 C++17도 검토가 시작되었죠. 이 세션은 크로미움 커뮤니티에서 검토된 modern c++ feature들을 소개합니다. 어떤 feature를 허용하는지, 허용하지만 코딩 시 조심히 다루어야 할 부분이 무엇인지, 혹은 어떤 feature를 허용하지 않으며 그 이유가 무엇인지 소개하려고 합니다. 이를 통해 c++ 개발자들이 어떤 feature들을 선호하고, 기피해야 할지 개개인의 고민을 덜어주고자 합니다.
강연자
신미영
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