머신러닝/딥러닝을 반도체 품질 데이터 분석에 적용한다면 어떤 모델이 어떤 상황에 적합할지 의견을 말씀해주세요.

어떤 모델이 가장 강력하냐보다, 문제가 무엇이냐에 따라 다르다는 점부터 말씀드리고 싶습니다. 품질 데이터 분석은 크게 두 갈래라고 봅니다. 하나는 불량인지 아닌지를 가르거나 원인을 찾는, 결과를 설명해야 하는 문제입니다. 이쪽은 왜 그렇게 판단했는지 사람이 따라갈 수 있는, 비교적 단순하고 해석 가능한 모델이 맞다고 봅니다. 현장에서는 예측 정확도만큼이나 이유를 알아야 조치가 되기 때문입니다. 다른 하나는 이미지나 신호처럼 사람이 규칙을 짚기 어려운 데이터에서 미세 결함을 잡아내는 문제입니다. 이쪽은 복잡한 패턴을 스스로 학습하는 깊은 모델이 유리합니다. 즉 해석이 중요하면 단순·설명형, 패턴이 복잡하면 깊은 모델로 갈립니다. 다만 어느 쪽이든 학습할 불량 사례가 부족하면 모델이 못 배운다는 공통 한계가 있어, 데이터가 충분한지부터 보는 게 전제라는 점은 같이 둡니다. 핵심은, 모델 단정이 아니라 문제 유형과 데이터 조건으로 가른다는 점입니다.