반도체 결함 검출 모델 학습 데이터 구축으로 AI 방법론 보완 시도
약 65초
학부 머신러닝 수업, 반도체 결함 이미지 분류 프로젝트
학부 머신러닝 수업 프로젝트에서 반도체 결함 이미지 분류 모델을 학습시키면서, AI 방법론을 더 잘 쓰기 위한 아이디어를 경험에서 얻었습니다. 가장 큰 제약은 레이블된 결함 데이터가 부족하다는 것이었습니다. 저는 공개 반도체 결함 데이터셋에 데이터 증강 기법을 적용해 학습 데이터를 늘리는 방식을 시도했습니다.
데이터 증강이 얼마나 효과적인지는 현장 데이터와 분포가 얼마나 비슷한지에 달려 있다는 걸 배웠습니다. 모델 성능보다 어떤 결함 유형을 더 잘 잡아야 하는지를 먼저 정의하는 것이 AI 방법론 개선의 출발이라는 걸 알았습니다. 이후 저는 AI 적용을 논의할 때 데이터 품질과 목표 메트릭을 먼저 확인하는 시각이 생겼습니다.
모델 선택보다 문제 정의가 더 중요하다는 걸 그 경험에서 배웠습니다.
이 결의 특징
이 결은 이론 학습을 직접 실험과 프로젝트에 옮겨본 경험에서 나왔습니다. 답변자는 강의실에서 배운 개념을 실제로 구현하면서, 예상과 현실 사이의 차이를 관찰했습니다. 그 관찰 속에서 실무 감각이 축적되는 과정이 드러나 있습니다.
이 결이 통하는 자리
현재 상태가 불충분할 때, 변경의 방향과 우선순위를 정하는 국면에서 이 결이 도움이 됩니다. 측정을 통해 다음 개선 대상을 명확히 할 수 있으며, 주관이 아닌 데이터로 근거를 삼을 수 있습니다.