예시 답변 1
약 96초
결함 맵 특성에 맞는 모델 선택 근거와 데이터 전략을 구체적으로 푸는 결
웨이퍼 결함 맵은 공간적 패턴이 중요한 이미지 데이터라서 CNN 기반 모델이 기본 출발점이 된다고 생각합니다. 결함 유형마다 패턴이 다르고—중심 집중형, 링형, 산포형 등—공간 구조를 잘 잡아야 분류 정확도가 올라가기 때문입니다. 데이터 측면에서는 불량 웨이퍼 자체가 부족한 경우가 많아 클래스 불균형 문제가 거의 어김없이 따라옵니다. 저는 합성 데이터 생성(GAN 혹은 기하학적 변환 기반 증강)과 focal loss 적용을 병행하는 방향을 고려하겠습니다. 실험 설계 단계에서 웨이퍼 크기와 해상도에 따른 입력 정규화도 챙겨야 합니다. 성능 측정은 단순 정확도보다 클래스별 F1과 혼동행렬을 우선 보겠습니다. 오탐이 실제 제조 공정에서 어떤 비용을 만드는지에 따라 precision/recall 우선순위를 다르게 설정해야 하는 경우도 있습니다. 공부 과정에서 유사한 이상 탐지 과제를 다뤄본 경험이 이 접근의 기반입니다.
이 결의 특징
웨이퍼 결함의 공간적 패턴이라는 도메인 특성을 먼저 파악하고 거기에 맞는 아키텍처(CNN)를 선택하는 논리가 관찰됩니다. 데이터의 구조를 먼저 읽고 모델을 따라가는 접근입니다.
이 결이 통하는 자리
도메인 이해를 기반으로 모델을 설계하는 엔지니어를 중시하는 팀에서 신뢰를 받습니다. 기술 선택의 근거를 명확히 하는 조직 문화에서 평가됩니다.