면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
설비 관련 프로젝트 수업에서 특정 장비의 진동 데이터를 2개월간 수집해 분석한 적이 있습니다. 데이터를 시계열로 정리해보니 고장이 발생하기 약 일주일 전부터 진동 폭이 서서히 커지는 패턴을 발견했고, 이를 근거로 예방 점검 시점을 앞당기자는 제안을 발표에 담았습니다. 다만 분석 과정에서 일시적 외부 충격으로 인한 이상치를 실제 마모 신호로 오인할 뻔했는데, 이를 걸러내기 위해 3회 이상 반복되는 패턴만 신호로 인정하는 기준을 세웠습니다. 이 경험으로 설비 데이터는 노이즈와 신호를 구분하는 기준이 결정의 신뢰도를 좌우한다는 걸 배웠습니다.
현장실습 중 반도체 설비의 파라미터 로그 데이터를 회귀분석을 활용해 제품 가공 결과와의 상관성을 살펴본 적이 있습니다. 여러 파라미터 중 특정 압력 변수가 가공 결함과 가장 높은 상관성을 보인다는 걸 확인했고, 이를 설비 담당자분께 공유해 해당 압력 범위를 관리 기준에 추가하는 제안을 드렸습니다. 분석 과정에서 결측치가 있는 구간을 단순 삭제하지 않고 전후 데이터를 참고해 보정하는 방식을 택했는데, 이 과정에서 데이터 처리 방식에 따라 결론이 달라질 수 있다는 걸 실감했습니다. 이 경험으로 방법론 선택 자체가 분석 신뢰도에 큰 영향을 준다는 걸 배웠습니다.
학교 캡스톤 프로젝트에서 설비 가동 데이터를 분석해 가공 정밀도가 특정 가동 시간대 이후 떨어지는 경향을 발견한 적이 있습니다. 데이터를 시간대별로 나눠보니 연속 가동 4시간을 넘어서면 정밀도 편차가 눈에 띄게 커졌는데, 이를 근거로 4시간 주기의 짧은 점검 휴지 시간을 두는 방안을 제안했습니다. 이 제안을 반영해 시뮬레이션한 결과 정밀도 편차가 기존보다 20퍼센트 줄어드는 것을 확인했습니다. 이 경험으로 설비 데이터 분석은 결국 제품 품질이라는 최종 결과와 연결지어야 의미가 있다는 걸 배웠습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.