이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
학부 프로젝트에서 공정 센서 데이터로 불량 가능성을 미리 감지하는 모델을 만들어봤습니다. 직접 제조 현장 데이터를 구하기 어려워서 공개 데이터셋을 이용했는데, 이상값 비율이 너무 낮아서 모델이 전부 정상으로 분류하는 문제가 처음에 생겼습니다. 오버샘플링 기법을 써서 균형을 맞췄고, 재현율이 의미 있게 올라갔습니다. 이 경험으로 제조 데이터에서 불량은 소수이기 때문에 일반 분류 방식으로는 한계가 있다는 걸 배웠습니다. 실제 공장에 적용하려면 센서 데이터를 신뢰할 수 있어야 하고, 이상 감지 결과를 작업자가 어떻게 받아들일지도 설계해야 한다는 걸 과제 발표 피드백을 통해 알게 됐습니다. 기술 자체보다 현장과 연결되는 방식을 함께 설계하는 것이 더 어렵다고 생각합니다.
산업공학 수업 과제에서 가상의 공장 생산 로그 데이터로 병목 공정을 찾는 분석을 했습니다. 처음엔 각 공정의 평균 처리 시간만 봤는데, 평균이 비슷해도 분산이 큰 공정이 전체 흐름을 막는다는 걸 나중에야 발견했습니다. 처음엔 단순한 평균 비교만으로 결론을 내려다가 교수님에게 분포를 함께 봐야 한다는 지적을 받았습니다. 이후 공정별 처리 시간 분포를 시각화했더니 특정 공정에서 간헐적으로 처리 시간이 5배 이상 늘어나는 케이스가 있었습니다. 그 케이스의 원인을 추적하니 특정 입력 조건에서만 처리가 느려지는 패턴이 있었습니다. AI나 데이터 기술을 제조에 접목할 때도 먼저 데이터를 탐색하고 패턴을 파악하는 단계가 핵심이라는 걸 이 경험에서 배웠습니다.
졸업 논문 주제 탐색 과정에서 제조 설비의 고장을 미리 예측하는 예지보전(PdM) 사례를 여러 건 조사했습니다. 핵심은 설비 센서 데이터에서 고장 전 나타나는 패턴을 학습해 이상 징후를 미리 감지하는 것이었습니다. 사례를 분석하니 성공한 경우는 대부분 충분한 고장 이력 데이터가 있었고, 데이터가 부족한 경우엔 성능이 낮았습니다. 이 점이 제조 현장에서 AI 도입의 현실적인 제약이라는 걸 이해했습니다. 직접 구현 경험은 없지만, 데이터가 충분하지 않은 상황에서 어떻게 시작할 수 있는지를 파악하는 것이 실제 도입 계획의 핵심이라고 생각합니다. 기술이 가능한지보다 현장에서 데이터를 어떻게 수집하고 관리할지를 먼저 풀어야 한다는 관점을 이 조사에서 갖게 됐습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 SK inc.(AX) 생산관리 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.