Chromium Binding 기술을 활용하여 Node.js와 네이티브 모듈 우아하게 연동하기
책 읽어주는 딥러닝
DAY 1 / 11:00~11:45 / TRACK 2
책 읽어주는 딥러닝
머신러닝
AI
테크 스타트업
텍스트를 음성으로 읽어주는 "음성 합성" 기술은 시각 장애인을 위한 오디오북, 음성 안내 시스템, 대화 인공지능 등 많은 분야에 활용할 수 있습니다. 하지만 개인이 원하는 목소리로 음성 합성 엔진을 만들기에는 어려움이 많았고 소수의 기업만이 기술을 보유하고 있었습니다. 최근 딥러닝 기술의 발전은 음성 합성 기술의 진입 장벽을 많이 낮췄고 이제는 누구나 손쉽게 음성 합성 엔진을 만들 수 있게 되었습니다.
본 세션에서는 딥러닝을 활용한 음성 합성 기술을 소개하고 개발 경험과 그 과정에서 얻었던 팁을 공유하고자 합니다. 먼저 음성 합성 엔진을 구현하는데 사용한 세 가지 연구를 소개하고 각각의 기술이 얼마나 자연스러운 목소리를 만들 수 있는지를 공유합니다.
네이버에서는 다양한 오픈소스 소프트웨어를 사용하고 수정하며 contribution하고 있습니다. 또한 모바일 UI에서 대규모 분산시스템 모니터링에 이르기까지 폭넓은 분야에서 네이버가 만난 문제들을 해결하기 위해 자체적으로 소프트웨어를 개발하고 이렇게 개발한 소프트웨어들은 다시 오픈소스로 공개하고 있습니다. 이 세션에서는 네이버가 오픈소스 프로젝트를 공개하고 운영하면서 얻은 그 동안의 경험들을 공유하려고 합니다.
박은정NAVER / Engineering Growth
NAVER에서 오픈소스 매니저로 일하고 있습니다.
네이버랩스의 로보틱스 연구 소개
12:00 ~ 12:45
웨일 브라우저 1년 그리고 미래
그런 REST API로 괜찮은가
DAY 1 / 12:00~12:45 / TRACK 2
그런 REST API로 괜찮은가
웹
REST API를 온전히 구현하는 것은 어렵습니다. 오늘날 HTTP API들 중에서 REST API라고 할 수 있는 것은 사실 많지 않습니다. REST를 구성하는 스타일 중 uniform interface 스타일의 제약조건들이 잘 지켜지지 않고 있기 때문입니다.
Uniform interface 스타일은 인터페이스가 언제 어디서나 한결같을것을 요구합니다. 인터넷을 통해 누구나 사용할 수 있도록 공개된 REST API라면, 오직 단 하나의 진입점 URI만 알면 그 API를 그대로 사용할 수 있어야합니다. 또한 서버가 변경되었다고 클라이언트를 교체해야하는 일도 없어야합니다.
이는 어쩌면 허황된 이야기처럼 들릴지도 모르겠지만, 우리는 이미 REST 아키텍쳐 스타일이 잘 적용된 실례를 알고 있습니다. 바로 전 세계의 모든 웹 사이트들입니다. 웹 사이트가 개편되었다고 해서 웹 브라우저를 업데이트해야하는 경우는 드뭅니다. 웹 브라우저를 업데이트했더니 웹 사이트에 접속이 안되는 일도 드뭅니다. 새로운 웹 사이트에 접속하기 위해 새로운 웹 브라우저를 다운로드 받아야 하는 일도 없습니다.
우리의 HTTP API도 이렇게 동작하게 만들 수 있을까요? 그러려면 어떤 노력을 해야 할까요? 그런 노력을 할 만한 가치는 있는 것일까요? 이 세션에서 이러한 질문들에 대한 나름의 답을 제시해보려고 합니다.
목차 1. REST란 무엇인가 2. 왜 REST API를 온전히 구현하기가 어려운가 3. REST API를 온전히 구현하려면 어떻게 해야 하는가 4. REST API의 대안들 5. 우리는 이제 어떻게 해야 할까
이응준비바리퍼블리카 / Credit Silo
종합금융서비스 토스를 만들고 있는 서버 개발자입니다.
Clova Platform: 인공지능을 엮는 기술
생체 이해에 기반한 로봇 – 고성능 로봇에게 인간의 유연함과 안전성 부여하기
12:45 ~ 14:00
LUNCH
14:00 ~ 14:45
웨일 브라우저 보안 이야기
DAY 1 / 14:00~14:45 / TRACK 1
웨일 브라우저 보안 이야기
웹
기타
이 세션에서는 웨일 브라우저 이용자 보호를 위해 고민했던 다양한 보안 기능을 소개하고, 피싱 사이트나 파밍 공격에 노출되는 것을 막기 위한 아이디어와 그 구현 결과를 공유합니다.또한 이용자의 브라우저나 다른 어플리케이션의 보안 취약점을 악용하여 악성코드를 유포하는 악성 웹 사이트로 부터 이용자를 보호할 수 있는 웨일 세이프브라우징을 소개합니다.
웨일 브라우저에서는 스토어를 통해 다양한 익스텐션을 설치할 수 있는데, 다운로드 받은 익스텐션에 의해 개인정보 노출을 포함한 악성 행위가 발생하지 않도록 사전에 보안 검수를 수행합니다. 본 세션에서는 보안 검수 기준과 그동안의 보안 검수 결과도 공유합니다. 끝으로 웨일 브라우저 자체가 가질 수 있는 보안 취약점을 최소화하기 위해 수행했던 버그 바운티 프로그램의 결과를 소개합니다.
조상현NAVER / Security
보안 취약점 분석 부터 침해사고, 서비스 어뷰징 분석 업무등 네이버 서비스 보안 업무를 10년째 수행하고 있습니다.
동네 커피샵도 사이렌오더를 쓸 수 있을까?
Realm은 어떻게 혁신적인 모바일 데이터베이스를 만들었나?
알파글래스의 개발과정으로 알아보는 AR 스마트글래스 광학 시스템
15:00 ~ 15:45
오픈소스를 쓰려는 자, 리베이스의 무게를 견뎌라
밑바닥부터 시작하는 360 뷰어
TABS 넌 누구니?
자율주행과 기계학습
자율주행과 기계학습
머신러닝
AI
기타
네이버랩스는 복잡한 도심환경에서 주행이 가능한 자율주행 인공지능을 구현하기 위해서 기계학습을 적극적으로 연구하고 있습니다. 본 강연에서는 기존에 발표된 기계학습 기반의 자율주행 기술들에 대해서 살펴보고, 네이버랩스의 자율주행 최신 연구성과물을 공유하고자 합니다.
자율주행차는 측위, 인지, 제어를 담당하는 센서들과 소프트웨어로 구성됩니다. 최근 기계학습 (딥러닝)의 학문적 성취는 인지 알고리즘의 성능을 비약적으로 발전 시켰고, 자율주행 연구에서는 인지와 제어를 동시에 학습하는 형태로 진행되고 있습니다.
차선변경은 목표지점까지 이동하기 위한 빈번하게 활용되는 필수적인 주행기술이지만, 동시에 사고위험이 높아 구현하기 까다로운 기술입니다. 네이버랩스의 자율주행연구팀은 보다 안전한 차선변경 기능을 구현하기 위해서, 영상기반의 차선변경 학습알고리즘을 제안합니다. 본 강연에서 네이버랩스의 자율주행차가 주변 도로 상황을 인지하고 차선 변경을 실행하는 과정에 대해서 자세히 설명합니다.
정성균NAVER LABS
사람 운전자 수준의 자율주행기술을 구현하기 위해서 컴퓨터비젼과 머신러닝을 연구하고 있습니다.
16:00 ~ 16:45
웨일 브라우저의 성능 및 메모리 최적화 (고래는 느리고 무겁다?)
DAY 1 /16:00~16:45/ TRACK1
웨일 브라우저의 성능 및 메모리 최적화 (고래는 느리고 무겁다?)
웹
성능
브라우저의 성능이 아무리 좋다고 하더라도 메모리를 너무 많이 쓰면 사용자들에게 한 소리 듣는 시대이다. 그렇다고 메모리는 무턱대고 아껴 쓰면서 더 나은 성능을 바라는 것도 속된 말로 '놀부 심보'다. 그렇다면 성능과 메모리, 두 마리 토끼를 모두 잡는 묘안은 정녕 없는 것일까? 웨일을 개발하면서 맞닥뜨린 다양한 성능 및 메모리 사용량 관련 이슈와 그 개선을 위해 취했던 여러가지 방안에 대한 이야기를 풀어놓고자 한다.
"Memory leak, 도대체 어디서 새는거야?" - 방대한 브라우저 소스 코드를 감당할 메모리 프로파일러와 모듈별 배제화 전략
"2단 기어 넣고 출발하면 한 박자 더 빠를걸?" - 자바스크립트를 최적화하여 컴파일한 네이티브 코드로 실행 시작
"전기 요금 줄이려면 안 쓰는 플러그를 빼면 된다." - 웨일 메모리 세이버와 tab / sidebar discarding
"어디서 많이 보던 jQuery인데..." - sub-resource integrity를 기반으로 resouce cache 공유
"苦肉之策." - 웨일 시동에 대한 성능 분석과 crashpad 프로세스 생성의 고의적 지연 방안
이성원NAVER / Whale
웨일 브라우저 동작의 가속화와 자바스크립트 엔진의 최적화를 위해 컴파일러 기반의 성능 향상 방안을 개발하고 있습니다.
발표 내용 차트란 무엇일까요? 차트는 우리가 일상에서 아주 쉽게 자주 접하지만, 막상 개발자로써의 경험을 하는 동안 차트 개발(적용)은 쉽게 경험해 보기 어려운 영역이기도 합니다.
본 발표는 '차트'라는 영역에 대한 개발 경험기와 함께 오픈소스로 공개 후, 단 기간 내에 많은 주목을 받기 까지의 과정을 통해 어떻게 의미있는 성과를 글로벌 하게 얻을 수 있었는가에 대한 오픈소스 성장에 대한 경험도 같이 공유합니다.
이를 통해 다양한 오픈소스 개발 시도와 참여가 활발히 이루어 지는데 도움을 줄수 있게 되기를 기대 합니다.
목차 1. 차트란 무엇인가? 2. 왜 개발하게 되었나? 3. 기술적 도전 과제들 4. 릴리즈 위기 5. 오픈소스 개발의 중요 포인트
대상 - 웹에서 차트(또는 데이터의 시각화) 구현에 관심이 있으신 분들 - 오픈 소스 프로젝트를 시작하거나 또는 컨트리뷰터로 활동하는데 관심이 있으신 분들 - 글로벌한 오픈소스 프로젝트를 만들어가는 과정에 대해 관심이 있으신 분들
박재성NAVER / FE플랫폼
NAVER에서 FE기술 리서치 및 오픈소스(billboard.js, egjs) 개발에 참여하고 있으며, 기술적 기여와 공유를 위해 노력 중입니다
오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
DAY 1 /16:00~16:45/ TRACK3
오픈소스 데이터베이스, 은행 서비스에 첫발을 내밀다.
인프라
기타
국내 은행 서비스는 상용 데이터베이스로 구축한다는 것은 거의 기정사실처럼 받아들여지고 있습니다. 그러나 카카오뱅크에서는 기존의 사례에 뒤엎고, 장난감처럼 여겨지는 오픈소스 데이터베이스인 MySQL을 적극 활용하여 은행을 구축하였습니다. 금융 서비스 최초로 오픈소스 데이터베이스를 어떻게 재미있게 잘 쓰고 있는지에 대해 얘기해보도록 하겠습니다.
1. 은행에 MySQL 도입 현황 - 은행 서비스에 도입한 이후 리소스 상태 - 사용되는 분야 및 트래픽 규모
2. 오픈소스 조합해서 잘 활용하기 - 오픈소스들을 조합하여 새로운 가치를 얻은 사례 - 성능 & 안정성 & 효율성
3. 스케일 아웃 - 스케일아웃 목적 및 기준 - 대용량 트래픽 유입에 따른 확장 방안
4. 데이터베이스 운영 자동화 - 효율성 최대화를 위한 자동화 사례 및 범위 - 자동화를 통해 얻는 점과 목표
5. 금융 오픈소스 DB 엔지니어 소감
성동찬한국카카오은행 / 인프라 / DBA
절대 깨지지 않는 강력한 시스템을 목표로 고민하고 정진하는, 은행에서 온 개발하는 데이터 엔지니어
머신러닝으로 쏟아지는 유저 CS 답변하기
DAY 1 /16:00~16:45/ TRACK4
머신러닝으로 쏟아지는 유저 CS 답변하기
빅데이터
머신러닝
세상은 머신러닝과 AI로 들썩이고 있지만, 정작 우리 서비스와는 먼 것처럼 느껴지곤합니다. 수없이 쏟아지는 머신러닝 기술들을 우리 회사에 적용시켜 볼 수는 없을까요?
이 세션에서는 데브시스터즈에서 머신러닝을 통해 유저들이 보내는 CS (customer service) 티켓에 대한 답변을 자동화하는 과정에서 겪은 이야기를 다룹니다. 바닥에서부터 문제를 정의하고, 쌓여있던 데이터에 어떤 문제가 있었는지 파악하는 등 프로젝트를 시작하는 단계에서부터 auto-encoder, few-shot learning 등의 모델을 문제 해결에 적용하는 것, 완성된 모델을 실제 서비스에 적용시키는 과정까지 한 프로젝트의 기승전결을 여러분께 전달드리려고 합니다.
김동화데브시스터즈 / 개발팀
데브시스터즈에서 백엔드 엔지니어링과 머신러닝을 담당하고 있습니다
김범준데브시스터즈
데브시스터즈에서 머신러닝으로 문제들을 풀고 있습니다.
DAY2
09:00 ~ 10:00
REGISTER
10:00 ~ 10:45
똑똑한 인공지능 DJ 비서 Clova Music
HBase 기반 검색 데이터 저장소
운영체제 수준에서의 데이터베이스 성능 분석과 최적화
DAY 2 /10:00~10:45/ TRACK4
운영체제 수준에서의 데이터베이스 성능 분석과 최적화
성능
인프라
테크 스타트업
데이터베이스 (DB) 엔진의 일반적인 시스템 자원 사용 패턴과 파일 시스템, 블록 레이어 등의 운영체제 (OS) 내부 레이어에서의 자원 관리 기법간의 상호작용을 살펴보면서, 기존 리눅스 커널의 비효율적인 부분에 대한 문제 도출, 그리고 이를 최적하는 방안에 대해서 설명해 드립니다. MongoDB, PostgreSQL, MySQL, Elasticsearch 등을 예로 들어서 설명할 예정이며, 물리 서버와 Amazon AWS 상의 가상서버 등에서 실제 실험을 통해 확인한 결과도 함께 공유드릴 예정입니다.
세부 발표 내용의 목차는 아래와 같습니다. 1. DB 트렌드 소개 - DB 사용률 변화 추이 - OS 기능 활용도 변화 추이
2. OS 수준 분석 및 최적화의 중요성 - 사례 1: MySQL “swap insanity” - 사례 2: MongoDB readahead 튜닝 - 사례 3: PostgreSQL autovacuum 설정 - 사례 4: Elasticsearch 로깅
3. DB 성능 관점에서의 리눅스 커널 분석 - 스토리지 I/O 스택 분석 - CPU 스케줄링 분석
4. DB 성능 관점에서의 리눅스 커널 최적화 - 리퀘스트 중심 I/O 스택 최적화 - 멀티코어 환경에서의 CPU 스케줄링 최적화 - 성능 평가 및 분석
5. 요약 및 결론
김상욱애포샤
박사과정 동안 DB를 위한 OS 기술을 연구하였고, 현재는 고성능 클라우드 DB를 개발하고 있는 애포샤의 CEO를 맡고 있습니다.
11:00 ~ 11:45
Big Models Without Big Data: Using Domain-specific Deep Networks in Data-scarce Settings
MIST: 고성능 IoT 스트림 처리 시스템
OpenStack Neutron - Dataplane 구현
Neural Machine Translation (NMT) 동작의 시각화 및 분석 방법
12:00 ~ 12:45
의료 AI를 위해 세상에 없는 양질의 Data 만드는 도구 제작하기
Building AI to Recreate our Visual World
관계형 데이터베이스 샤딩
DAY 2 /12:00~12:45/ TRACK4
관계형 데이터베이스 샤딩
빅데이터
관계형 데이터베이스는 여러 가지 강력한 장점을 가지고 있지만 관계형 모델로 인한 데이터 확장성의 제약은 큰 단점으로 인식되고 있습니다. 관계형 데이터베이스에서 확장성을 극복하기 위한 한 가지 방법으로 샤딩이 사용되지만 DBMS 수준에서 지원되는 기능이 부족하여 샤딩을 적용하는데 많은 어려움이 있습니다. 이런 문제를 해결하기 위해 샤딩 기능을 지원하는 RDBMS인 RYE를 개발하고 있습니다. 본 세션에서는 RYE에 적용된 샤딩에 관련된 기술적 해결 방법에 대해 설명하며 다음과 같은 내용이 다루어집니다.
- 응용에서 샤드키 정보를 획득하는 방법 - SQL 종류에 따라 적절한 샤드 노드로 쿼리를 라우팅하는 방법 - 데이터를 동적으로 리밸런싱하는 방법 - 샤드 노드로 분산된 데이터의 정합성을 관리하는 방법
RYE 프로젝트는 현재 오픈 소스 준비 중입니다.
강철규NAVER
CUBRID 개발에 참여했고, 현재는 RYE를 개발하고 있습니다.
12:45 ~ 14:00
LUNCH
14:00 ~ 14:45
유연하고 확장성 있는 빅데이터 처리
DAY 2 /14:00~14:45/ TRACK1
유연하고 확장성 있는 빅데이터 처리
빅데이터
기존의 빅데이터 분석 시스템은 새로운 클러스터 환경과 새로운 애플리케이션 요구 사항에 잘 대처하지 못하고 있습니다. 그 이유는 기존 시스템들이 유연성과 확장성을 고려하지 않은 상태로 설계되어 있기 때문입니다. 하나의 예로서, 저희 연구를 통해 특정 클러스터의 일시적으로 남는 자원을 이용할 시, 그 특성을 고려하여 데이터 처리를 하면 아파치 스파크보다 5배 이상 빠르게 수행할 수 있음을 보였습니다. 또 다른 예시로서, 스파크와 같은 기존 시스템은 연산 노드와 저장하는 스토리지 노드를 분리하는 disaggregation 환경에 최적화 되어 있지 않습니다. Vortex 프로젝트는 이와 같은 다양하고 새로운 요구 사항들이 생길 때, 엔진의 구성을 간편하게 바꾸어 각각의 환경에 특화하여 작업을 수행할 수 있게 하고자 시작되었습니다.
본 세션에서는, Vortex의 전체 아키텍쳐 및 설계에 대해 소개하고, 구체적으로 간단한 맵리듀스부터 multinomial logistic regression과 같은 머신 러닝 작업 등의 여러가지의 데이터 처리 방법을 표현하고 실행하는 것을 예시를 통하여 설명하려고 합니다. Vortex는 현재 아파치 빔(Beam) 프로그램을 수정없이 Vortex 런타임을 통해 수행할 수 있습니다. 저희는 현재 진행 중인 프로젝트를 곧 아파치 인큐베이터 프로젝트로 등록하여 다양한 개발자들과 협력하고자 합니다.
전병곤, 김주연, 송원욱서울대학교 컴퓨터 공학부
전병곤: 서울대학교 컴퓨터 공학부 교수 김주연, 송원욱: 서울대학교 컴퓨터 공학부 소프트웨어 플랫폼 연구실 대학원
NSML: 상상하는 모든 것이 이루어지는 스마트한 클라우드 머신러닝 플랫폼
DAY 2 /14:00~14:45/ TRACK2
NSML: 상상하는 모든 것이 이루어지는 스마트한 클라우드 머신러닝 플랫폼
머신러닝
AI
인프라
이번 세션에서는 CLAIR (CLova AI research)에서 사용하고 있는 딥러닝 클라우드 플랫폼인 NSML을 소개합니다.
딥러닝 연구할 때 모델 만드는 것도 힘든데 GPU 남는 서버 찾아 설정하고, 실험 경과 확인하느라 힘드셨죠? NSML은 모델 연구/개발에 필요한 복잡한 과정들을 대신 처리해주어, 연구 개발자들이 정말 "모델개발"에만 전념할수 있도록 해 줍니다. - 명령어 하나로 데이터를 클라우드에 던지고 - 명령어 하나로 텐서플로우, 파이토치 등의 모델 코드를 GPU 클라우드에 물릴 수 있습니다.
사용 가능한 자원을 최대한 활용하여 연구원들은 새로운 가설을 더 많이 제안하고 확인할 수 있습니다. 연구원은 복잡하고 자잘한 일들은 잊고 훨씬 효율적인 방법으로 모델 개발에만 100% 집중할 수 있습니다. 뿐만 아니라 NSML은 더 많은 (여러분들이 상상하는 거의 모든) 것을 해줍니다.
다양한 시도를 쉽게 해 볼 수 있는 창의적인 환경을 제공합니다. 많은 수의 실험 경과를 웹에서 쉽게 비교하고, 하이퍼 파라미터를 실험 도중에 변경할 수 있습니다. 또한 실험을 보류/재개할 수 있기 때문에 유연한 실험 관리가 가능합니다.
실험의 결과는 자동으로 Kaggle 같은 리더보드에 집계됩니다. 어떤 모델들이 어떤 설정에서 잘 동작하는지 한 눈에 살펴볼 수 있어서, 연구의 방향과 목표에 대한 insight를 얻을 수 있습니다. 또한, 학습한 모델을 바로 사용해 볼 수 있는 데모 웹, REST 서버는 연구와 개발의 경계를 없앱니다.
한마디로 NSML은 딥러닝 연구자의 능력을 100% 모델개발에만 집중할 수 있도록 해 주는 꼭 필요한 시스템! 이번 DEVIEW에서 만나보세요.
성낙호NAVER / Clova / CLAIR
네이버에서 AI 연구/개발을 하고 있습니다.
네트워크 모니터링 시스템(NMS)을 지탱하는 기술
멀티테넌트 하둡 클러스터 운영 경험기
DAY 2 /14:00~14:45/ TRACK4
멀티테넌트 하둡 클러스터 운영 경험기
빅데이터
네이버에서는 빅데이터 분석을 하기 위해 분산 컴퓨팅 플랫폼인 C3 를 사용합니다. C3 는 2000 대 이상의 서버로 구성된 멀티테넌트 하둡 클러스터입니다.
여러 개발자가 동시에 사용하는 멀티테넌트 클러스터에서는 개발과 서비스가 함께 수행되어 클러스터의 기능 개선과 변경 작업을 사용자 모르게(!), 클러스터 중단 없이(!) 하기란 어렵습니다. 이 세션에서는 그간 겪었던 많은 문제 속에서 얻어낸 한 줄기 빛과 같은 내용들을 공유하고자 합니다.
- 클러스터 중단 없이 노드들의 OS 를 업그레이드 하기 - HDFS 의 파일 개수를 줄여서 네임노드의 부담 덜어주기 - 곳곳에 도사리는 클러스터 장애를 피하는 비책
현재 클러스터를 운영하는 분이나 앞으로 대규모 클러스터를 운영하고 싶으신 분들에게 미약하지만 작은 도움이 될 수 있으면 좋겠습니다!
이유비NAVER / Search System
Naver에서 multi-tenant Hadoop cluster 인 C3 개발 및 운영하고 있는 개발자. 변화의 흐름을 놓치지 않으려 노력 중입니다!
15:00 ~ 15:45
Streetwise Machine Learning for Painless Parking
빅데이터를 위한 분산 딥러닝 플랫폼 만들기
DAY 2 /15:00~15:45/ TRACK2
빅데이터를 위한 분산 딥러닝 플랫폼 만들기
빅데이터
머신러닝
이 세션은 딥러닝의 알고리즘 개선이나 특정 서비스 구현 경험과 관련된 내용이 아니고, 개발된 딥러닝 모델을 실제 서비스 에 적용하기 위한 시스템 구성과 일반화된 플랫폼 구축과 관련된 내용입니다. 특히, 빅데이터 처리를 위해서 분산 처리가 필수적인 환경에서 공통의 플랫폼을 만들어 간 경험을 공유하려고 합니다.
네이버에서는 딥러닝 적용을 위한 C3 DL이라는 GPU 플랫폼을 개발해서 운영하고 있습니다. 초기에는 딥러닝 서비스 개발을 위한 실험 중심으로 트레이닝과 검증을 위해서 동적으로 GPU를 할당하는 기능으로 충분했지만, 개발된 모델을 실제 서비스에 적용하면서 새로운 요구 사항들이 발생하게 되었습니다.
특히, 대용량의 데이터에 대한 inference 처리를 위해서는 다수의 분산된 GPU가 할당되어서 처리하는 것이 필요했고, distributed training에 대한 요구 사항도 있는 등 분산 딥러닝 처리에 대한 요구가 발생되었습니다.
이러한 요구 사항을 정리하면서 C3 DL 기반으로 분산 딥러닝 플랫폼 기능 개발을 진행하게 되었고, 그 진행 과정 중의 경험과 설계 및 구현된 내용을 공유합니다.
- Slider 및 REST API 기반의 구조 - GPU 플랫폼에서 분산 inference 실행하기 - GPU 플랫폼에서 distributed TensorFlow 실행 - GPU 플랫폼에서 streaming, serving 프로그램 실행
유승현NAVER / Search System
네이버에서 분산 플랫폼 개발을 하고 있습니다
16:00 ~ 16:45
Reasoning, Attention and Memory - Toward Differentiable Reasoning Machines
