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
  • 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
  • 음성인식
  • 머신러닝
강연 제목
Clova 화자인식
강연 내용
화자인식은 주어진 목소리가 누구의 목소리인지, 그리고 정말로 의도한 사람의 목소리가 맞는지를 판별하는 기술로, 음성인식과 함께 사용하면 개인 맞춤형 음악 추천, 본인 인증 등 다양한 서비스에 이용할 수 있습니다. 하지만 실제 화자인식 서비스를 위해서는 목소리 수집부터 성능 최적화에 이르기까지 많은 문제들이 있습니다. 본 세션에서는 클로바 플랫폼을 위해 개발된 클로바 화자인식기가 이런 문제들을 어떻게 극복하여 만들어졌는지에 대해서 공유하고자 합니다.
목차
  • 화자인식이란?
  • Clova 화자인식은 어떻게 만들었을까요?
  • 다음은 무엇을 해야 할까요?
강연자
이봉진
강연자 사진
강연 분야
  • 인프라
  • 기타
강연 제목
쿠팡 서비스 Cloud Migration을 통해 배운 것들
강연 내용
지난 몇 년간 쿠팡 서비스는 마이크로 서비스 아키텍쳐로의 변경과 클라우드 환경으로 이전 등으로 인해 많은 변화를 겪었습니다. 특히 2017년에는 단 기간에 수백개의 마이크로 서비스를 클라우드로 이전하면서 새롭고 다양한 문제들을 만났고 이를 극복하기 위해 많은 노력을 했습니다. 이번 세션에서는 무중단으로 클라우드 환경으로 이전하기 위해서 준비 했던 계획들, 이전하면서 발생했던 예상하지 못했던 문제들, 클라우드 환경에서 새롭게 만난 문제들과 다양한 장애들 그리고 이러한 문제들을 해결하기 위해 쿠팡 내부에서 만들어낸 해결책과 아직 풀지 못한 고민에 대해서 이야기 나누려고합니다.
목차
1. 클라우드 이전 계획 및 선행 프로젝트
  • 이전 원칙 : Availability, Scalability, Performance
  • 이전 방법 : Roman Riding
  • Continer Service 도입
  • CI / CD pipeline
  • Log Collecting / Monitoring / Alert
  • Performance Visualize
  • 인프라 및 보안
2. 클라우드 이전 과정
  • Roman Riding : Database
  • Roman Riding : Application
  • Database 의 확장성
  • 예상치 못한 문제들 : Load Balancer
  • 예상치 못한 문제들 : Storage
  • 예상치 못한 문제들 : 각종 Split Brain 상황
  • 비용 최적화 프로젝트
  • Auto Scaling 과 장애
3. 아직 풀지 못한 문제들
  • 복잡해지는 서비스와 전파되는 장애
  • 12 Factors App
  • 테스팅 테스팅 테스팅
대상
  • AWS 등 퍼블릭 클라우드 환경으로 이전을 계획 중인 분
  • 클라우드 환경에서 개발 할 때 주의 해야하는 것들에 대해 궁금 하신 분
강연자
양원석
강연자 사진
강연 분야
  • 웹
  • 모바일
강연 제목
지난 1년간의 웨일 브라우저와 그 미래 (부제: 제품 매니저가 들려주는 생생한 기술/제품 이야기)
강연 내용
기술 제품 매니저가 들려주는 제품과 그것을 만드는 과정에 대한 생생한 이야기. 지난 1년간 웨일 브라우저가 한 일들, 도전한 것들, 사용자들과 함께 한 것들을 정리하고 기술에 기반한 제품을 만드는 과정에서 생긴 수많은 시행착오를 통해 얻은 것을 공유하는 자리입니다. 또한 웨일 브라우저의 향후 로드맵을 공유합니다. 추가로, 복잡도가 있는 대규모 기술 제품을 만드는 팀은 어떻게 일하고 있는가를 이야기하고 개발팀이 일하는 방식에 대한 고민을 나누려 합니다.
목차
1년간의 웨일 브라우저
  • 웨일 브라우저 현황
  • 목표했던 것들
  • 이룬 것들, 이루지 못한 것들
목표를 향한 과정 (주로 시행착오)
  • 어떻게 모바일 제품을 만들것인가? 차별화와 그 함정
  • 목표를 향한 고민/삽질들
  • 제품을 만들면서 배운 것
      • 웨일팀은 어떻게 변화하면서 일해왔는가?
      • 팀이 일하는 원칙 (애자일이 뭔가요?)
        • 앞으로의 웨일 브라우저
        • 꼭 하고싶은 일들
        • 향후 로드맵 그리고...
        대상
        • 브라우저에 대해 관심이 있고, 웹 환경 개선에 관심이 있는 개발자/사용자
        • 기술을 다루고 있지만 그것이 제품으로 만들어지는 과정, Product management에 대해 관심있는 사람
강연자
김효
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
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