1부에서 이어집니다.

모바일 플랫폼에서의 VR적용의 기술적 한계와 돌파구(김시호 / 교수, 연세대학교 글로벌 융합공학부)

현재 가상현실(VR)은 엔터테인먼트 분야에서의 활용에 집중되어 있는 경향이 있으며, 실제로 모바일을 통해 VR 콘텐츠를 즐기는 사례들이 다수 등장하고 있다. 하지만 모바일과 헤드셋 등으로 VR 콘텐츠를 즐기기 위해서는 물리적인 환경에서의 기술 관련 이슈들이 존재하게 된다. 최근에 Unreal 엔진이 Unity한테 밀리면서 VR 개발자들에게 무료로 배포하는 움직임을 보여주고 있다. 이는 사업자들 사이에서 VR시장이 그만큼 잠재력이 크고 쟁취해야 하는 시장으로 여겨지고 있기 때문이다.

 

연세대학교의 경우 현장의 이미지를 촬영하여 VR기기로 보내주고, 아바타를 가상으로 만들어 VR 사용자가 하는 행동을 현장으로 보내거나, 아바타가 현장에서 하는 행동을 다시 VR 헤드셋으로 보내주는 인터랙션 방식에 대한 연구를 진행하고 있다.

 

VR이 최근 2-3년 사이 업계에서 많이 언급되고 있는데, 사실 인터넷에서 가장 위축되고 있는 분야는 저널리즘 분야라고 할 수 있다. 요즘 사람들은 페이퍼 신문을 거의 보지 않고 있으며, 이러한 상황에서 뉴스 저널들은 시장에 어떻게 나아가야 할 지에 대한 고민을 하고 있다. VR은 저널이 나아가야 할 방향에서 또 하나의 대안을 제시하게 된다. “Immersive Experience -> Project Syria”를 대표적인 사례로 들 수 있다. 페이퍼 신문을 통해 글을 읽는 사람들은 시리아 전쟁의 참상을 실제로 경험하지 못하기 때문에 전달력에 한계가 있을 수 밖에 없다. 이에 따라서 실제로 기사와 함께 VR로 현장을 체험하도록 만들어 더 Immersive한 새로운 미디어 포맷으로 전달하고자 하는 시도가 나타나고 있다.

 

VR을 사람들이 제대로 느낄 수 있게 되는 기준은 바로 초점에 있다. Accommodation(조절)과 Convergence(수렴)는 눈에 고정 되어있는 상태로 depth가 바뀌게 되면서 가상의 현실을 체험할 수 있는 것이다. 우리 눈은 자연스러운 것을 보지 못하면 헷갈리게 되고, 피로해지게 된다. 초기 VR 기술이 사람들을 어지럽게 한다고 지적 받아 왔지만, 이제 이러한 이슈들은 어느 정도 해결된 상태라고 할 수 있다. 사이버 공간에서는 피사체와 화자 사이에 어느 정도의 거리가 존재한다는 것을 이미 알고 있기 때문에, 눈의 초점이 맞춰지는 공간인 Circle of interest에 초점을 맞추게 된다. 이후 눈의 각도에 맞춰 영상을 이동시키면서 항상 Convergence가 맞춰지는 방식으로 구현된다. 여기서 피로도를 유발하는 요소들을 산출해서, 산출되는 값을 누적시키고, 등급을 나눔으로써(눈을 피로하게 한다 or 피로를 유발하지 않는다) 콘텐츠를 만들 때와 디스플레이 할 때 매칭하는 방법을 적용하며 개발하고 있다.

In-store Digitalization - How to innovate Brick and Mortar Stores(박창현 / 팀장, 신세계 I&C)

신세계의 경우 오프라인 매장과 복합몰, 온라인 매장, 스타벅스를 비롯한 다양한 F&B 매장을 보유하고 있다. 최근 특히 유통기업으로서의 장점을 부각시키기 위해 스타필드와 같은 몰이나, 아울렛, 편의점을 강화하고 있다. O2O (Online to Offline & Offline to Online)에도 적극적으로 뛰어들고 있는데, SSG.com이나 SSG Pay와 같은 서비스를 통해 고객의 데이터를 확보하고, 고객을 이해하기 위한 노력을 활발히 전개하고 있다.

 

신세계의 Digitalization은 우선적으로 오프라인 경험을 극대화시키는 데 집중되어 있다. 기존에 확보하고 있는 양적으로 다양한 고객 접점에서 나오는 Value가 중요하다는 점을 강조하고 있다. 온라인이 저렴하기는 하지만 오프라인에서 고객이 리얼하게 경험하는 것을 무시할 수 없다. 디지털화의 방향성은 제품정보, 매장 지도, 위치정보, 매장에 진열된 상품 정보 등 매장 내의 모든 정보를 디지털화 하는 것이다. 향후 이 정보에 더하여 쇼핑 관련 핵심 기술을 개발하고 이를 오픈 플랫폼화하여 스타트업들과 협업하는 방향도 고려 중이라고 밝혔다.

 

대표적으로UI/UX도 새롭게 변화시키기 위해 집중하고 있다. 오프라인에서의 AR 기술 적용에 있어서 매장의 카트 옆에 서서 네이버를 검색하는 것이 아니라 AR 등을 적용해서 정보를 찾을 수 있도록 하는 방식이 되는 것이다. 또한 스마트폰에서 터치나 키보드로 검색하는 것이 아니라, 오프라인에서 아이를 안고 있는 엄마들이 음성인식으로 편하게 검색할 수 있도록 지원하는 것이 예가 될 수 있다.

 

GPS, Indoor Positioning 기술을 개발하고 있으며, 구글 애널리틱스(인스토어 애널리틱스)를 활용한 Funnel 분석을 통해, 고객들이 매장의 어느 위치에서 어떤 제품을 오래 보는지 등의 데이터를 추출할 수 있다. 또한 VR을 적용하여, 고객들이 매장에 방문하지 못할 경우 VR을 활용한 심리스한 쇼핑 환경을 제공하고자 하고 있다.

 

Digitalization의 핵심 기술 블록을 Augmented Reality, Image recognition, Indoor positioning, In-Store Analytics로 정의한 뒤, 이를 마트나 복합몰, 편의점 매장에서 구현하는 과정에서 발생할 수 있는 이슈들이 소개되었다.

1. 층간 전파 간섭
   1. 사람들이 생각보다 다리가 짧은데, 스마트폰을 뒷주머니에 넣고 다니면 신호가 아래로 향하게 되거나, 손에 쥐고 있으면 위쪽으로 신호가 향하면서 층간의 전파를 간섭하게 된다. 즉, 층간 높이에 따라 어떻게 분류할 수 있을 지가 애매한 상황이 발생한다.
2. 잦은 매장 변경
   1. 사람들이 생각보다 다리가 짧은데, 스마트폰을 뒷주머니에 넣고 다니면 신호가 아래로 향하게 되거나, 손에 쥐고 있으면 위쪽으로 신호가 향하면서 층간의 전파를 간섭하게 된다. 즉, 층간 높이에 따라 어떻게 분류할 수 있을 지가 애매한 상황이 발생한다.
3. 다양한 매장 레이아웃
   1. 스타필드의 경우는 매장 1층에서 옥상까지 50m씩 되는데, 이때 사방에서 비콘 신호가 뿌려지는 경우 어떻게 측위해서 몇 층에 있는지를 파악하는 것이 문제로 지적되고 있다. 서비스 측면에서도 푸쉬가 최선인가에 대해 다시 생각해 볼 필요가 있다. 이미 매장에 온 고객들은 공짜쿠폰이 큰 의미가 없을 수 있다. 푸쉬보다는 습관적으로 앱을 열었을 때 Pull, 즉 정보를 주는 것이 더 중요하다. 제품 정보나 매장에 어떤 제품이 있는지 등 고객이 입장한 매장 내에서 발생하고 있는 이벤트 정보들을 주는 것이 오히려 구매로 이어질 수 있는 포인트가 된다. 예를 들면 매장 내에 타임세일 하는 것 등을 알려주는 것이 더 효과적이라는 것이다.

In-store Analytics의 경우 Wi-Fi Passive Scan, BLE Passive Scan, People Tracking, People Scan 등을 기반으로 웹페이지나 모바일 페이지에서 퍼널 분석을 하고 있다. 단, 매장 별 특성이 다르기 때문에, 유의미한 정보를 추출하기 위해서는 매장 특성에 맞는 튜닝이 필요하다는 것이 어려움으로 꼽혔다 예를 들어 F&B는 먹고 있는 사람과 웨이팅 중인 사람을 구분할 수 있는 방법이 마련되어야 한다. 한식 뷔페 매장 올반의 경우 들어온 사람들이 다 먹고 있는 것이 아니라, 대기하는 사람들도 많기 때문에 들어온 사람들 중에서도 먹는 사람과 대기하는 사람을 구별하는 기술 등의 이슈들도 해결하고자 노력하고 있다. 또한 백화점의 경우 마트와는 달리 매장 안에 들어와 있더라도 구매는 하지 않는 사람이 많기 때문에, 이들을 구분할 수 있는 방법이 필요하다. 카트 트래킹을 하는 경우 ‘드르륵’하고 지나가는 방식으로 스테핑이 없어서 정확한 신호 데이터가 잘 안잡히고, 카트에 설치하는 전원 문제와, 방수 문제들이 해결되어야 한다. 또한 펌웨어도 자동으로 업데이트가 되어야 하고 소방법에 준수 해야하는 등 다양한 문제점들이 존재하고 있다. CCTV로 트래킹 할 경우에도 CCTV의 인지 범위가 넓지 않기 때문에, 한번 CCTV 영상에서 잡힌 사람이 다른 CCTV에서 잡혔을 때 둘을 일치시킬 수 있는 기술이 필요하다.

 

서비스와 관련해서도 세 가지 문제들이 언급되었다. 먼저 Uniqueness측면에서 아직 방문한 고객을 인지하기 위해 신세계 아이디를 보고 파악해야 하는 등 고객이 누군지 정확히 알기가 어렵다. 때문에 고객을 파악하는 방법, 매장 실시간 정보 온라인화, 매출 정보 연동이 기반이 되어야 한다.

 

AR의 경우 매장 안에서 상품을 인식하면 그 위에 AR레이어가 덧입혀져 상품정보를 볼 수 있도록 하는 것이 신세계 측에서 구상하는 이상적인 활용 방법으로 언급되었는데, 매장의 경우 실외와는 달리 AR레이어의 위치가 몇 cm만 어긋나도 완전히 다른 상품에 대한 정보를 제공하게 된다는 점이 극복해야 할 기술적 문제로 언급되었다. 실외/실내 위치의 오차 범위가 상당히 차이가 큰데 예를 들어 1m 차이에 라면과 하이타이의 위치가 변화할 수 있기 때문이다.

 

VR의 경우 AR보다는 활용도가 낮으나, 하남 스타필드같이 다 둘러보기 힘든 초대형 매장에서 활용될 여지가 있다. 그러나 매장 내 VR 활용의 경우, 매장의 디스플레이가 수시로 변경되기 때문에 매일 VR데이터가 새로 업데이트되는데 엄청난 비용이 발생한다는 것이 문제점으로 꼽혔다. 예를 들어 구글 스트리트뷰 등은 몇 개월에 한번씩만 업데이트를 하면 되지만, 매장의 경우 매일 해야 하며, 이걸 로봇이 할 것인가, 사람이 직접 할 것인가의 이슈가 발생하게 된다. 또한 고해상도가 아닌 경우가 많은데, 아이쇼핑을 하다가 마음에 드는 옷을 줌인-아웃 하다 보면 물건의 픽셀이 나가버릴 수 있다. 상품을 제대로 보고 싶은데 자세히 보이지 않는다면 소비자들은 거부반응을 보이게 될 것이다.

 

마지막으로 Image Recognition 관련하여 판매대에 있는 제품을 인식시키려고 보면 안 되는 이유는 매대 각도 조절 때문이다. 실내 조명이 이미지 처리에 좋지 않기 때문이기도 한데. 예를 들어, 카레 등 동일 제품이 옆에 놓여있으면 제품간 간섭으로 인식이 어렵고 카레 한 개를 직접 들어서 인식 시켜야 한다. 또한, 상품 이미지를 학습시키는 데 있어서, 적용 가능 품목에 제한이 있을 수 있다. 옷과 같은 상품들은 너무 비슷한 사이즈의 제품들이 많아서 어렵고 라벨이 붙은 제품들에만 적용이 가능할 것이라는 것이라는 한계가 있다.

 

박창현 팀장은 강의를 마치며 신세계가 상기 문제점을 해결하기 위해 오픈 플랫폼을 구축하고 스타트업과 협업할 계획을 가지고 있다는 점도 다시 한 번 강조하였다.

Google Tensor Flow & Machine Learning in the Cloud(Kaz Sato/ Evangelist, Google Japan)

잘 알려져 있다시피 Google의 Deep Learning 기술은 자사의 서비스에서 다양하게 활용되고 있다. Gmail을 비롯하여 Maps나 Photo, Search나 Translation에 이르는 거의 모든 상품 영역에서 활발하게 활용되고 있다고 볼 수 있다. Google은 이러한 Machine Learning 파워를 외부에 공개하는 단계에 돌입한 바 있다.

Google Japan, Kaz Sato 발표자료

Data Scientists를 비롯한 전문가가 아니더라도, ML API를 가져다가 보다 쉽게 머신 러닝 기능을 서비스에 추가할 수 있다. Google은 Cloud Vision API나 Cloud Speech API, Natural Language API 등을 제공하며 머신 러닝 스킬이 없는 사람들도 쉽게 이들 기능을 가져다 활용할 수 있도록 하고 있다. 특히 2015년 11월에 공개된 TensorFlow의 경우 전세계적으로 가장 인기가 많은 머신 러닝 프레임워크로 누구나 코드 한 줄을 추가하면 쉽게 인공지능 신경망을 구성할 수 있다. 일본의 오이를 재배하는 농가에서 TensorFlow를 활용하여 오이를 자동으로 선별하는 시스템을 개발한 사례 등이 소개되었다. 그 동안 8시간 이상의 수작업을 통해 오이를 선별해 왔으나, 이 시스템 도입을 통해 오이의 두께와 길이에 따라 9개 등급으로 자동 분류 할 수 있게 되었으며 정확도 또한 70%에서 95%까지 향상시켰다고 한다. 그 밖에도 재활용 쓰레기를 분류하거나, 드론으로 건설 현장의 설비를 모니터링하는 등 TensorFlow를 활용하여 문제를 해결하는 케이스들이 다수 소개되었다. 여기서도 핵심은 머신 러닝 기술에 대한 전문적인 지식이 없는 사람들도 이들 기능을 손쉽게 가져다 활용할 수 있다는 점이다.

 

http://workpiles.com/2016/02/tensorflow-cnn-cucumber/

 

Kaz Sato 에반젤리스트는 여기서 효율적인 머신 러닝 기술 수행을 위해 컴퓨팅 파워가 매우 중요하며, Google의 Cloud Platform을 활용할 때 가장 효율적으로 수행 가능하다는 점을 강조하기도 했다. Google은 TensorFlow의 기능을 향상시키기 위해 자체적으로 Tensor Processing Unit이라는 ASIC을 개발하여 서버에 적용하기도 했다. 클라우드 기반의 TensorFlow를 적용한 사례로는 일본의 카 옥션 서비스인 AUCNET이 소개되었다. 3만 명의 딜러가 활동하고 있는 AUCNET에서는, 딜러들이 차량에 대한 사진 정보를 올려두면 이 차량이 어떠한 차량인지에 대한 정보를 TensorFlow를 통해 빠르게 선별할 수 있게 된다. 예를 들어 차의 일부 파트에 대한 사진만으로도 몇 년도에 출시된 어느 제품인지를 빠르게 파악할 수 있게 되는 것이다.

Google Japan, Kaz Sato 발표 자료

SK AI 사업 전략 및 인지 컴퓨팅 기술 개발 현황(장현기 / 팀장, SK주식회사 C&C)

전세계적으로 AI 기술의 수준이 진보하고 있는 가운데, IBM Watson 기반의 AI 기술 개발에 박차를 가하고 있다. AI가 효과적으로 적용될 수 있는 영역으로 인간을 돕는 확장 지능과 서비스 인터페이스의 혁신이라는 두 개의 축을 기반으로 한 서비스 모델을 생각하고 있다. 현재는 Watson 의 데이터 센터가 미국 달라스에 있어서 Latency가 있기는 하지만 이를 해결해 나가고 있다고 한다. 인간을 돕는 확장 지능으로 Watson이 적용된 사례에는 인공지능 변호사로 활용되는 ROSS의 사례와, 범죄 수사에 대한 자문을 제공하는 범죄 분석 시스템 및 Woodside라는 호주의 Oil & Gas 기업이 30여년간 축적된 설계/제작/시공 관련 정보를 기반으로 Operation 노하우에 대한 Q&A 서비스를 제공한 사례 등이 소개됐다. 서비스 인터페이스가 혁신된 사례로는 아이의 연령에 따라 학습 지도가 가능한 Cognitoys의 장난감 공룡과, 미국 자동차 보험 회사인 Geico가 적용한 대화형 가상 도우미 서비스인 Geico Diva, 승객의 질의에 답변하면서 대화를 진행하는 셀프 드라이빙 차량인 Olli의 사례 등이 소개되었다.

 

SK의 AI 사업은 AIBRIL이라는 브랜드를 가지고 있으며 특히 산업에 특화된 알고리즘을 기반으로 Knowledge Base를 확보하는 것이 궁극적 목표임을 밝히고 있다. Watson을 도입한 플랫폼을 기반으로 산업 주요 Player와의 파트너십을 확보하고, 이를 통해 얻게 된 다양한 산업 분야의 Data를 토대로 전 산업에 대한 AI 서비스를 제공하고자 하는 것이다.

출처: SK 주식회사, C&C 장현기 팀장 발표자료

현재 API를 한국어로 Porting하는 작업을 추진 중이며 2017년까지 순차적으로 출시할 것으로 예상되고 있다. 고려대 KU-MAGIC 연구원과 ‘ABRIL 감염병 진단 서비스’ 개발을 위한 MOU를 체결하거나, 교육용 토이 개발을 위한 공동 Pilot을 교육 관련 기관과 진행 중이며, 온라인 게임 진행 중 실시간 문의가 가능하도록 Chatbot 구축 업체와 파트너십을 협의하고 있다.

음성 인터페이스의 진화(김영준 / 매니저, SK Telecom)

SK Telecom의 김영준 매니저는 최근 많은 기업들이 음성 인터페이스 개발에 투자하고 있는 이유에 대해 “사용자들이 다양한 삶의 영역에서 스마트기기를 활용하기 시작하면서 직관적이고 공통적인 인터페이스에 대한 Needs가 증가했기 때문이다”라고 설명하였다. 향후에는 음성 인터페이스가 일종의 미래형 OS와 같은 역할을 하게 될 수 있다는 것이다. 특히 음성인터페이스의 경우 모바일 환경에서 사용되기에 적합하다는 것 역시 강점으로 언급되었다.

 

음성 인터페이스가 상용화 가능한 수준으로 발전하는데 네트워크의 발전이 큰 영향을 미쳤다. 기존에는 음성 인터페이스가 단말 내에서만 작동했다면, 지금은 네트워크의 발전으로 단말에는 발화의 끝점을 감지하는 EPD(End Point Detector)와 음성을 Capture하는 기능만 탑재되고, 모든 음성은 서버로 전송되어 데이터로 저장되기 때문에, 광범위한 학습데이터를 통해 빠른 성능 향상이 가능하다는 것이다. 서버의 도입으로 사용 가능한 메모리가 방대해짐에 따라 음성 인식 기술도 특정 키워드만을 인식하는 키워드 음성인식 방식에서 조사단위까지 모든 발화내용을 전부 인식하는 LVCSR(연속음성인식) 방식으로 변화되었다. SKT의 경우 고객센터로 들어오는 음성들을 텍스트로 바꿔서 고객들의 불만사항이 무엇인지, 요구사항이 무엇인지를 빨리 캐치해서 해결하려고 노력하고 있다.

 

기술적인 측면에서 유사한 단어를 인식, 압축함으로써 속도와 인식률을 향상시키는 기술인 wFST(weighted Finite State Transducer)와 DNN(Deep Neural Network)이 가장 주목 받고 있는 기술로 언급되었다. 특히 DNN의 경우, 한동안 답보 상태에 있던 음성인식 성능이 DNN 도입 이후 급격하게 에러율이 떨어지면서, 음성인식 성능 향상에 핵심적인 기술로 주목 받고 있다. 또한 IoT트렌드로 인해 원격음성인식 기술과 로봇에서의 음성인식 기술도 중요해질 것이라고 언급 되었다.

 

음성 인식과 관련된 서비스 트렌드 역시 변화되고 있다. 이전에는 단어를 인식하는Command, Action 중심의 서비스가 트렌드였다면, 현재는 대화/의미분석 등의 지능형 정보처리 기술과 융합하여 고객 친화적인 서비스를 제공하는 방향으로 변화하고 있다. 이때 음성을 텍스트로 변환시키는 것 까지가 음성인식이라면, 해당 텍스트에서 유의미한 정보를 추출하는 것은 자연어 처리 기술에 해당하며, 향후에는 음성인식과 자연어 처리 기술이 결합된 Agent서비스가 음성 인식 관련 서비스의 주류를 차지하게 될 전망이다.

Facebook Chatbot M messenger(Alex Lebrun / Team Lead, Facebook)

Alex Lebrun 2012년까지는 아무도 AI에 대해서 이야기하지 않았지만, 2014년이 되면서 갑작스럽게 트렌드로 부상했다면서 그 배경으로 머신러닝 기술의 발전과 메신저 플랫폼의 확대를 꼽았다. 머신 러닝 기술이 상용화 가능한 수준까지 발전하고, 인터넷 사용의 기본적인 형태가 웹사이트에서 모바일 앱으로, 다시 메시징 플랫폼으로 옮겨옴에 따라 챗봇이 주목 받게 되었다는 것이다.

 

챗봇의 조건에 대해서는 인터페이스가 대화형으로 구성된다는 점이 가장 중요한 조건으로 강조되었다. 이때, 반드시 자연어 사용을 지원할 필요는 없으며, 아이콘을 선택하는 방식으로 답변을 입력하더라도 전체 프로세스가 대화형으로 구성되어있다면 챗봇이라 할 수 있다는 것이다. 또한 전체 과정이 반드시 소프트웨어에 의해 작동할 필요가 없다는 점 역시 강조되었다. 소프트웨어가 대응할 수 없는 상황에서는 인간이 직접 대응하도록 만들고, 이후 봇이 이를 학습할 수 있도록 하면 된다는 것이다.

 

앱과 대비해서 챗봇이 가지는 강점으로는 앱 설치가 필요하지 않아 셋업에 필요한 마찰 없다는 점과 대부분의 봇이 무료로 제공된다는 점, 메세지 플랫폼을 통해 알림, 인증, 결제 절차가 모두 이루어질 수 있어 맥락이 항상 유지된다는 점, 그리고 각자 사용해야 하는 앱과는 달리 여러 사람이 대화하는 상황에서 봇을 초청해 협업이 가능하다는 점이 언급되었다.

 

봇을 제작하는 데 있어 유의해야 할 점으로는 4가지가 언급되었다. 첫째는 직원의 직무를 정해주는 것과 유사하게 봇의 Scope을 정확하게 지정해줘야 한다는 것이다. 또한 Scope을 정확하게 지정하더라도, 유저들이 Scope에서 벗어나는 답변을 요구하는 것을 막을 수는 없으므로, 상황에 대해 적절하게 대응 할 수 있는 전략을 마련해야 유저들이 불만을 제기하는 것을 막을 수 있다는 점 역시 강조되었다. 이 경우 인간이 직접 대응하도록 하는 것도 유용한 전략이 될 수 있다. 두 번째는 최대한 단순한 Implementation으로 시작해 봇이 유저의 Intention을 정확하게 인식할 수 있도록 해야 한다는 것이다. 세 번째는 봇이 모든 기능을 지원할 수는 없으므로, 봇의 기능에 대한 유저들의 기대치를 낮게 설정해주는 것이 중요하다는 점을 강조했다. 그리고 마지막으로 봇이 잘 작동하고 있는지는 실제 런칭 뒤 유저들의 반응을 통해서만 확인할 수 있으므로, 봇의 성능에 대한 확신이 없더라도 최대한 빨리 베타버전으로 시작해 유저들의 의견을 살피는 것이 성능을 향상시키는 유일한 방법이라고 설명하였다.

 

Lebrun 은 마지막으로 Amazon의 Jeff Bezos가 1994년 개발자들을 모집하기 위해 전송했던 이메일을 인용하며, 1994년 이커머스가 그랬던 것과 마찬가지로, 현 시점에서는 챗봇이 새로운 기회가 될 것이라고 점을 강조했다.

 

1. 올해 테크 플래닛 행사는 작년에 이어 더욱 발전된 모습을 보여주었고, 커머스와 관련된 다양한 기술의 향방을 확인할 수 있는 좋은 기회가 되었습니다. 각 세션에 대한 더욱 자세한 내용은 SK 플래닛의 기술 블로그에서 확인할 수 있습니다.
   
   Tech planet 2016 강의자료입니다.

 

글. 임하늬