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
  • 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
  • AI
강연 제목
글자읽는 AI: 밑바닥부터 외국어 정복까지
강연 내용
이 세션에서는 OCR에 대해서 아무 경험이 없는 사람들이 모여서 반 년 만에 영어뿐만 아니라 일본어까지 OCR로 정복했던 과정들에 대한 이야기를 하고자 합니다. OCR은 꽤 오래 전부터 연구되어 온 분야이지만 3년 전부터 딥러닝 방법론이 유입되면서 그 성능이 급향상되었습니다. OCR 관련 기술 종류 및 딥러닝 기반 OCR 기술들의 전반적 흐름에 대해 설명하며, 논문들은 대부분 '영어'를 주언어로 삼고 있습니다. 논문들을 통해 확보한 기술들을 '일본어'에 적용할 때, 논문에서는 다루지 않지만 반드시 다루어야 하는 여러 문제들이 있습니다. 어떤 데이터를 확보할 것인지, 어떻게 데이터를 라벨링 할 것인지, 검출기와 인식기를 어떻게 결합할 것인지, 후처리를 어떻게 할 것인지 등 다양한 문제들에 대한 공략 경험담을 공유하고자 합니다.
강연자
이활석
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
  • 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
  • 웹
  • 모바일
  • 기타
강연 제목
Learn how Material Design makes it easier and faster to build apps without compromising quality
강연 내용
On any product team, there's often a tension between building things fast and building beautifully. With the latest Material Design release, teams get the best of both world. In this talk, learn about how some of the new components, interactions, and expressive capabilities of Material were used in our early access partner's products to solve their unique design challenges without having to compromise quality.
Contents
1. What is Material Design? How has it evolved?
  • Mission, History, Usage, Updates
2. How are Material's new components, interactions, and expressive capabilities used in our early access partner's products?
  • Case studies: Gmail (internal Google apps)
  • Case studies: Lyft (external partner apps)
3. How has using Material Design improved their product?
  • User Research Data
4. Insights and tips on how to best apply Material Design in your product.
강연자
Jonathan Chung
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
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