이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
결함 탐지 능력을 최적화하는 방법으로는 탐지 시스템의 감도 기준 정기 검증과 작업자 역량 유지 두 가지가 가장 중요하다고 생각합니다. 자동화 탐지 시스템의 경우 기준 샘플(positive control)을 활용한 감도 확인을 설비 가동 전마다 수행해야 실제 탐지 능력이 유지됩니다. 탐지 한계가 설정 기준보다 낮아지면 불량품이 통과하는 리스크가 생깁니다. 육안 검사의 경우 작업자의 시력 확인과 정기 캘리브레이션 훈련이 탐지 능력을 유지하는 핵심입니다. 인턴 때 탐지 데이터를 주별로 분석해 탐지율이 낮아지는 구간을 찾아내는 작업을 보조한 경험이 있는데, 특정 시간대 또는 생산 라인별 탐지율 차이가 있다는 점을 발견했습니다. 결함 탐지 최적화의 핵심은 탐지 능력을 한 번 설정하는 것이 아니라 지속적으로 검증하고 데이터로 추적하는 구조를 만드는 것이라고 생각합니다.
결함 탐지 최적화에서 제가 먼저 본 건 검사 시스템 자체의 변동을 검증하는 것입니다. 측정 시스템 분석(MSA)으로, 검사 시스템의 반복성·재현성을 먼저 봤습니다. 검사 도구가 흔들리면, 탐지율을 논하기 전에 측정 자체를 못 믿었습니다. 그 위에 자동화 검사(AOI·AI 비전)를 도입하면 탐지율이 올랐지만, 민감도 설정에 따라 과탐(허위 불량)과 과소 탐지(불량 누락) 사이의 트레이드오프가 생겼습니다. 너무 민감하면 멀쩡한 걸 불량으로, 둔하면 진짜 불량을 놓쳤습니다. 막연히 '잘 잡는다'가 아니라, 측정 검증 후 민감도 균형을 잡았습니다.
시스템을 안 믿으면, 결과도 못 믿었습니다. 그래서 MSA가 출발이었습니다.
결함 탐지에서 제가 임계값을 정한 방식은 ROC 곡선 분석입니다. 탐지율 대 오탐률을 보여주는 ROC 곡선으로, 임계값을 설정했습니다. 그래야 과탐과 과소 탐지 사이에서, 우리 제품에 맞는 지점을 골랐습니다. 또 탐지된 결함 유형별 발생 주기를 추적해, 공정 원인으로 역추적하는 피드백 루프를 만들었습니다. 인턴 때 탐지 데이터를 주별로 분석해, 특정 시간대나 라인별 탐지율 차이를 발견한 적이 있습니다.
'잘 탐지된다'가 아니라, 탐지율과 오탐률을 수치로 봤습니다. 탐지 능력은 한 번 설정하고 끝이 아니라, 지속 검증하고 데이터로 추적해야 했습니다. 그래서 ROC와 역추적 루프가 결과를 만들었습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 품질관리 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.