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
  • 모바일
  • 머신러닝
  • AI
강연 제목
모바일 키보드, 스마트보드에 AI 적용하기
강연 내용
모바일에 머신러닝을 적용한다는 것은, 모델을 그냥 가져오는 작업이 아닌 전/후처리, 컨버팅, 최적화 등 일련의 모델링만큼 큰 프로세스이며, 이 과정을 소개하고자 합니다. 최근 화두로 떠오르는 AI를 실제 모바일 앱에 넣는다는 것은 어떤 경험일까요? 연구를 통해 나온 모델을 실제 프로덕트에 넣는 것은 생각보다 어려운 과정이고 잘 찾아볼 수 없는 사례이기도 합니다. 본 세션에서는 스마트보드팀에서 산학과제 (SNUT)를 통해 연구한 알고리듬과 사내 오타보정 챌린지를 통한 모델을 융합하여 서비스에 넣는 과정에서 나온 다양한 경험과 고충을 공유하고자 합니다.
목차
  • 가상키보드 오타보정, AI로 가능할까?
  • 모바일에서의 AI, 어디까지 가능한가
  • 모바일에서 모델을 컨버팅하여 사용해보자
  • 전/후 처리를 통한 프로덕션화 준비
  • AI를 사용했더니?
대상
  • 실제 모바일 서비스에 ML을 적용하고자 하는 개발자
강연자
이승윤
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
  • 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
  • 머신러닝
  • AI
강연 제목
인공지능이 인공지능 챗봇을 만든다
강연 내용
"언제까지 직접 눈으로 클러스터링할래? 언제까지 밤새 감으로 파라미터 튜닝할래?" AutoML과 자연어처리 중 특히 Chatbot과의 결합으로 데이터만 있으면 스스로 인간의 언어를 학습하고, 보다 정확한 대화모델을 만들어내는 가능성이 현실이 되는 과정을 소개하고자 합니다. 사용자로부터 입력된 여러 쌍의 QA 데이터를 클러스터링부터 여러 모델에 사용될 파라미터 최적화, 개별 모델 성능 평가 그리고 여러 모델 간의 앙상블 가중치 자동설정 후 처음 주어진 데이터로 최적의 챗봇 모델 최종 제안 및 서비스까지 one-click으로 이루어지는 AutoML을 공유하고, 더 넓게는 챗봇이 아닌 다른 NLP분야에서도 적용 가능한 AutoML의 가치를 나누고자 합니다.
목차
  • 스스로 언어를 배우는 인공지능 만들기 : AutoML과 NLP/Chatbot 개념 소개
  • 우리 챗봇의 말하기 실력은 몇 점? : Chatbot 자동 평가 프로세스
  • 말뭉치 줄게, 챗봇 다오 : Chatbot 자동학습 프레임워크
  • 실제 클러스터링 결과, 모델 성능 및 상용 서비스 현황 공유
대상
주어진 문장을 보다 적절한 벡터공간에 표현하고자 하는 노력, 인공지능 모델에게 사람의 언어를 더 잘 가르쳐주고자 하는 노력, 그리하여 사람처럼 자연스럽고 정확하게 대답할 수 있는 챗봇을 만들고자 노력 중인 개발자분들에게 도움이 될 수 있길 기대합니다.
강연자
이재원
강연자 사진
강연 분야
  • 인프라
강연 제목
네이버에서 사용되는 여러가지 Data Platform, 그리고 MongoDB
강연 내용
네이버에서는 서비스 특성과 성격에 따라서 다양한 데이터 플랫폼을 사용해 왔습니다. 최근까지는 RDBMS와 HBase(Hadoop), Redis와 Memcached 등이 주로 사용되었는데요, 서비스 특성이 보다 다양해지면서, 기존에 주로 사용하던 데이터 플랫폼들로는 커버되지 않는 영역이 발생하고 있습니다. 네이버에서는 이 부분들을 주로 MongoDB를 선택하여 해결하는 비중이 증가하고 있습니다. 본 세션에서는 네이버에서 MongoDB 사용이 늘어나고 있는 이유와 대용량&대규모 서비스에서 MongoDB를 운영하며 겪었던 에피소드들을 함께 공유하고자 합니다.
목차
1. NAVER에서의 Data Platform
  • RDBMS, HBase, Cache (Redis, Memcached)
  • 최근 MongoDB가 늘어나고 있습니다.
2. 왜 이런 현상이 생길까요?
  • 네이버 대규모 서비스에서 RDBMS의 문제
  • 네이버 대규모 서비스에서 HBase의 문제
  • Cache 방식 NoSQL 문제 (Redis, Memcached)
3. MongoDB가 어떻게 대안이 되고 있는가?
4. 네이버에서 MongoDB를 사용하면서 겪은 에피소드들
5. 개인적으로 바라보는 MongoDB의 장단점 그리고 전망 (vs RDBMS)
강연자
이덕현
강연자 사진
강연 분야
  • 머신러닝
  • AI
  • 기타
강연 제목
누구나 만드는 내 목소리 합성기 (부제: 그게 정말 되나요?)
강연 내용
좋아하는 사람이나 연예인의 목소리로 책이나 메시지를 듣고 싶은 요구는 오래 전부터 존재했습니다. 하지만 지금까지 그런 서비스가 없었던 기술적인 이유를 알아보고 네이버 음성 합성팀이 풀어 나간 방법을 여러 사람들과 공유하고 싶습니다. 누구나 쉽게, 자신의 목소리로 음성 합성기를 만드는 개인화 음성 합성 기술들은 10년 전부터 존재했습니다. 최근에 Tacotron, WaveNet 등의 기술이 나왔지만 상용화를 위해서는 해결해야 할 문제점이 많습니다. 적은 양의 음성 데이터로, 추가적인 정보 없이, 서비스 가능한 품질의 개인화 음성 합성기를 개발하기 위해 네이버 음성 합성팀이 선택한 기술과 적용한 방법을 알아볼 예정입니다.
목차
개인화 TTS - 지난 10년 동안의 떡밥
  • 개인화 TTS란?
  • 사용 시나리오
왜 안될까요?
  • 녹음 대상, 환경, 분량
  • 합성기 제작에 필요한 추가 정보
  • 모델 크기, 비용
어떻게 풀었을까요?
  • Concatenative vs Statistical parametric
  • End-to-End
  • Model Adaptation
NES
  • 전체 구조
  • 구성 요소
  • Quality vs Time vs Cost
들어봅시다
  • 시연
강연자
이봉준
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