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
  • 인프라
  • 성능
  • 기타
강연 제목
대형 컨테이너 클러스터에서의 고가용성 Network Load Balancing: Maglev Hashing Scheduler in IPVS, Linux Kernel
강연 내용
수 천개의 컨테이너로 구성된 대형 컨테이너 클러스터 Platform 에서, Network Load Balancing 은 아주 복잡한 문제 중 하나입니다. 대용량의 Network 트래픽을 컨테이너들로 분산 시키기 위해 많은 수의 Load Balancer 를 구축하고 이를 유기적으로 연결시켜 효율적인 Balancing, High Availability 등을 보장해줘야 하지만, 컨테이너 클러스터 Platform 환경에서는 몇 가지 문제에 직면하게 됩니다. - Container 는 Life Cycle의 특성 상 생성/삭제가 매우 빈번하기 때문에 Load Balancer에 이를 동적으로 반영할 수 있어야 합니다. - 한 개, 또는 여러 개의 Load Balancer가 Down 되어도 이 곳을 경유하던 Network Connection들이 유실되어서는 안됩니다. 이 Connection들은 다른 정상적인 Load Balancer에서 문제 없이 처리되어야 합니다. 이를 위하여 각각의 Load Balancer 가 모든 Connection 정보를 유지하고 있어야 합니다. - 물론, 대용량의 Traffic의 효율적인 분산도 보장되어야 합니다. 이러한 문제들을 풀기 위해서 Linux Kernel 의 Software Load Balancer 인 IPVS 에 Maglev Hashing Scheduler 라는 Module을 개발하여 Contribution 하였고, 이를 사용하여 네이버 서비스 컨테이너들로의 부하를 분산하는 Load Balancer 를 운영하고 있습니다. 이 세션에서는 위 문제들을 해결하기 위해 했던 고민들과 Linux Kernel v4.18 부터 포함되는 IPVS Maglev Hashing Scheduler의 특징을 소개하고, 대형 컨테이너 클러스터에서 어떻게 효율적이고 고가용성을 갖는 Network Load Balancer 를 구축하였는지 등을 공유합니다.
강연자
송인주
강연자 사진
강연 분야
  • 테크 스타트업
  • AI
  • 인프라
강연 제목
AI 칩 개발에 사용되는 엔지니어링
강연 내용
AI 칩 개발은 반도체 개발인 HW engineering 영역이라고 분류합니다. 하지만 실제 개발과정의 대부분은 Doman Specific Language를 통한 SW engineering 과정이라고 볼 수 있습니다. 본 발표에서는 AI 칩에 대한 소개와 더불어 엔지니어링적인 challenge를 논의합니다.
목차
  • Introduction to AI chips
  • Challenges of AI chips vs traditional chips
  • Scale of computation
  • Scale of storage
  • Scale of model diversities
  • Scale of services
  • Semiconductor Chip design: Ultimate precision engineering
  • Engineering flows
  • Scala-based Chisel Languages
  • Rust-based verification environment
  • Performance modeling
  • Verification, Verification, Verification
  • Our vision: AI building AI chips
강연자
백준호
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
  • 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
  • 웹
  • 테크 스타트업
  • 빅데이터
  • AI
강연 제목
병리 AI 제품 개발을 위한 데이터 관리 및 좌충우돌 삽질기
강연 내용
의료 데이터에 AI를 접목시키는 다양한 시도가 이루어지고 있고 국내에서도 인허가를 통해 실제 상용화의 길이 열리고 있습니다. 루닛에서는 흉부 영상의학, 유방 영상의학, 심장 영상의학 분야뿐만 아니라 병리 영상도 연구하고 있습니다. 본 세션에서는 머신러닝 연구자가 아닌 B2C 서비스 개발 출신 백엔드 개발자의 입장에서 병리 AI 제품을 개발하며 겪은 몇 가지 핵심 컨셉에 대해 이야기 하려고 합니다. 기술적 난이도가 높은 문제보다는 개발자 입장에서는 생소한 병리학이라는 도메인을 접하면서 생각의 전개를 어떻게 가져갔는지, 어떤 고민과 문제가 있었는지를 공유할 예정입니다.
목차
1. 병리 AI란?
2. 데이터 컨셉과 구조
병리 데이터는 특성상 대용량 이미지 파일을 관리해야 하고 이 데이터를 기반으로 개발을 할 때 고려해야 할 다양한 요소들이 존재합니다. 주어졌던 데이터와 그 데이터의 hierarchy를 어떻게 가져갔는지를 설명하려고 합니다.
3. Openslide와 Openseadragon
오픈소스인 Openslide와 Openseadragon을 이용하여 Whole Slide Image 뷰어를 지원하고 이 위에 annotation과 visualization을 할 수 있도록 개발되었습니다. 각각의 특성과 유스 케이스를 설명하려고 합니다.
4. 병리 AI Projects
실제 개발 중인 제품 구현에 활용된 기술들에 대한 소개와 각각 어떻게 적용했는지, 적용하면서 발생했던 문제를 어떻게 해결했는지에 대해 공유하려고 합니다.
5. 의료 AI 서비스를 개발하는 개발자
강연자
이경원
강연자 사진
강연 분야
  • 웹
  • 검색
  • 머신러닝
강연 제목
이미지를 이해하는 이미지검색: 텍스트기반 이미지검색에 CNN 이용하기
강연 내용
텍스트 기반 이미지검색은 웹문서/뉴스/동영상검색과 더불어 검색 서비스의 가장 기본이 되는 컬렉션입니다. 최근 효과적인 정보습득을 위한 사용자의 검색 요구는 문서가 아닌 이미지나 동영상으로 찾고자하는 경우가 많아지고 있습니다. 다양한 통계 정보에 대한 추세나 대중교통의 시간표, 인공지능과 같은 최신기술도 이미지로 빠르게 습득하기를 기대하고 있습니다. 네이버 이미지검색은 이러한 빠른 정보습득에 대한 사용자의 요구를 분석하고, 전통적인 정보검색기술과 함께 여러 이미지 분석 기술을 활용하고 있습니다. 무엇보다 딥러닝 기반의 다양한 이미지 이해 기술들을 기존의 검색 기술과 결합해 검색 품질을 개선해 나아가고 있습니다.   이 세션에서는 이미지검색을 통해 사용자들이 기대하는 다양한 검색 요구를 소개하면서 이를 딥러닝의 여러가지 특징들을 이용하여 어떻게 개선할 수 있었는지에 대한 경험을 공유합니다.  
목차
  • 전통적인 정보검색 기법의 한계
  • 이미지검색의 사용자 검색 요구
  • 이미지 이해를 위한 딥러닝 활용
  • 이미지검색의 미래
대상
이 세션은 기본적으로 포털 및 검색 서비스 기업의 검색 개발자를 대상으로 하고 있으나, 검색 서비스에 관심이 많은 학생들에게도 검색 서비스의 원리와 기술을 이해하는데 도움이 될것으로 생각합니다. 뿐만 아니라 최근 딥러닝을 공부하거나 연구개발 중인 분들 중 실제 딥러닝 기술을 이용하여 서비스 개선에 기여하고 싶은 개발자에게도 검색 서비스 사례를 통한 새로운 인사이트를 줄 수 있을 것으로 예상하고 있습니다. 
강연자
조근희
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