한국의 검색 1위 사업자인 네이버와 일본을 중심으로 세계적 메신저 사업자인 라인이 Clova 라는 AI 플랫폼을 만들기 위해서 힘을 합쳤다. AI 플랫폼이 되기 위해서는 PC와 모바일 검색에서뿐만 아니라 스마트스피커, IoT, 자동차 내비게이션 등 어느 곳에서나 어떤 순간에도 사용자의 의도를 만족시키는 기술 개발이 필요했다. 다양한 입력 수단과 출력 방식을 지원하는 것에 더해서 ​점점 더 똑똑하게 사용자 의도를 만족시키기 위해서 장비에 따른 사용자의 문맥을 잘 파악하는 기술과 기존 관련 문서를 나열하는 수준이 아닌 사용자가 쉽게 이해가 가능하도록 답변 부분만을 찾아 요약하는 기술 개발이 특히 필요했다. 본 강의에서는 AI 플랫폼을 개발하고 사업을 하는데 있어서 당면하는 기술적인 이슈들과 개발과 서비스를 통해 획득한 경험을 공유하려고 한다.

  Recently, Goodfellow et al. proposed an interesting features learning model called Generative Adversarial Networks (GAN) by employing two neural networks that are adversarially trained. Unlike the traditional deep discriminative models, the representations learned by GAN can be visualized through the generator in GAN in the form of synthetic images. Since then, many extensions of GAN have been introduced and showed excellent performance in generating random photo-realistic images, inferring that GAN is able to learn better visual representations compared to other generative models. However, limited attention has been given to learn visual representations and generate samples from the more abstract artworks. This presentation will discuss a series of new approaches to improve GAN for conditional image synthesis and in particularly, it will focus on ArtGAN. One of the key innovation of ArtGAN is that, the gradient of the loss function w.r.t. the label (randomly assigned to each generated image) is back-propagated from the categorical discriminator to the generator. With the feedback from the label information, the generator is able to learn more efficiently and generate image with better quality. Empirical results showed that ArtGAN outperformed the state-of-the-art results on CIFAR-10 in terms of Inception score. Qualitatively, ArtGAN demonstrated that it is able to generate plausible-looking images on Oxford-102 and CUB-200, as well as able to draw realistic artworks based on style, artist, and genre.

  The advance of computing systems and explosive growth of data production have sparked unprecedentedly rapid evolution of machine learning. A family of neural networks (NN) provide state-of-the-art accuracy among machine learning algorithms, and general purpose graphics processing units (GPGPU) have paved the way for it. However, GPUs have critical drawbacks in that they cannot deliver desirable performance per watt. Developing specialized hardware for NN computing, a.k.a. neural network accelerators or neural network processing units (NPU), emerges in this context. This presentation overviews recent races for the development of neural network accelerators, encompassing field-programmable gate arrays (FPGAs), application-specific integrated circuits (ASICs), and conventional processing units such as CPUs and GPUs.

  뇌-컴퓨터 인터페이스(BCI, Brain-Computer Interface)는 사람의 뇌 활동을 측정하여 생각, 의도, 감정 등을 분석하고, 이러한 정보를 명령으로 변환하여 다양한 외부기기를 제어하거나 사용자의 의사, 의도를 외부에 전달하기 위한 기술을 말한다. BCI 기술은 처음에는 사지마비 환자가 외부와의 의사소통을 위한 기술로 시작되었지만, 이후 정신질환의 진단 및 치료, 노약자와 장애인의 재활 및 생활 보조 기술로 확대되고 있다. 향후 BCI 기술은 인공지능과 IoT 기술 등과 융합되어 일상생활에서 사용되는 가전이나 원격로봇 같은 주변 기기의 제어에도 널리 활용되리라 기대되고 있다. 본 강의에서는 뇌-컴퓨터 인터페이스의 기술의 최근 적용사례를 중심으로 기술현황과 전망을 살펴본다. 추가적으로 현재 수행중인 뇌-컴퓨터 인터페이스 관련 연구들도 소개한다.

  인공지능은 기존의 전문가 시스템과 더불어 실생활에 적용 가능한 인공지능 기술로 발전하고 있다. 특히 사용자의 생각과 의도를 이해하고 공감하여 반응하는 지능형 에이전트 기술인 인공지능 컴패니언 기술은 많은 사람들이 늘 곁에 두고 활용하고 싶어하는 대표적 인공지능 기술이다. 이러한 인공지능 컴패니언 기술은 특히 일상생활의 불편함이 있는 사용자에게 다양하고 실질적인 도움을 줄 수 있어 그 연구 가치와 공익성이 높다고 할 수 있다. 본 강의에서는 청각장애인을 위한 인공지능 수어 인식 컴패니언 기술을 중심으로 인공지능이 세상을 연결하는 가교로서의 역할과 그 미래에 대해 소개하도록 한다.