[학회 후기]
새벽 세시반 알람을 듣고 서둘러 여수로 떠날 채비를 했다. 2024년 춘계공동학술대회(한국경영과학회, 대한산업공학회, 한국시뮬레이션학회 공동 주최)는 이번에는 여수에서 열렸다.
지난 해 가을 울산에서 열린 석사논문경진대회에 참가 후 두 번째 참석이지만 무척이나 긴장 되었다. 5시 첫차를타고 KTX를 타고 3시간 쯤 흐르자 여수 엑스포에 도착하였다.
이른 아침이라 사람들이 많이 없었고, 여유롭게 학회 등록을 마친 뒤 교수님과 학생들을 기다렸다. 9시 쯤 되자 교수님과 하루 일찍 먼저 내려간 성수, 진수, 민성이를 만나서 인사하였다.
이번 학회에서는 특히 인공지능 응용분야에 다양한 주제가 다루어 졌고, 이중에서 내 연구에 참고할 부분이 매우 많았다. 
500여 개가 넘는 세션이 있었고 어떤 세션을 들을지 체크하는 것 만 해도 쉽지 않았다.
나는 산업 인공지능 응용 세션과 최적화 세션 중 강화학습을 다룬 세션을 위주로 청취하였다. 
아울러, 회사의 내 부서에서 작년부터 진행하는 반도체 AI 워킹그룹 세션이 있어 오랜만에 그룹장님과 동료 선/후배들과 인사하였다.
여기서는 우리 회사에서 개선이 필요한 Item 들을 소개한 후 학계 참석자들과 토론하는 시간이었고 매우 유익하였다.
학회를 마치고 성수, 진수, 민성이와 식사 후 여수의 저녁을 즐겼다. 처음 방문한 여수라 모든것이 설레였고 특히 케이블카 탑승 후 본 여수의 밤이 아름다웠다.


[발표 후기]
이번 발표는 지난 석사논문경진대회에서 발표한 연구를 조금더 진행하여 다양한 데이터 셋에서 강건한 성능을 보이는
다중 스테이지 공정을 위한 범용 진단 네트워크를 주제로 발표를 진행하였다. 
대부분의 제조 공정은 단일 스테이지 공정이 아닌 다중 스테이지 공정이다. 
다중 스테이지 공정은 원재료가 여러 설비와 단계를 거쳐 최종 제품으로 변환되는 공정이다. 
이러한 다중 스테이지 공정을 거친 제품에서 결함이 발견될 경우, 
어느 설비의 공정에서 문제가 발생했는지를 분석하는 과정은 많은 시간이 소요되고, 
작업자의 전문성에 크게 의존하는 경향이 있어 일관된 분석 결과를 얻기 어렵다. 
최근 제조 현장에서는 다양한 설비에서 센서 데이터가 실시간으로 생성되고 있으며, 
이 센서 데이터에는 설비의 상태, 공정의 진행 상황, 그리고 설비의 운영 조건 등에 대한 정보가 포함되어 있다. 
이러한 배경을 기반으로 다중 스테이지 제조 공정 내에서 생성된 설비 센서 데이터를 기반으로 제품의 품질을 분류하고, 
제품 결함에 영향력이 큰 설비와 센서를 해석할 수 있는 범용 진단 네트워크를 제안하였다.
또한 다양한 산업데이터에 강건함을 입증하기위해 대표적인 다중 스테이지 공정인 반도체 설비 센서 데이터와 
철강 제품을 제련하는 오스템퍼링(austempering) 공정 설비 데이터를 활용하여 
다양한 방법론들과 비교 실험을 통해 제안 방법론이 최적의 제품 분류 성능을 보임을 입증했으며 
분류 결과의 해석을 통해 영향력이 큰 설비와 센서를 식별할 수 있었음을 발표하였다. 
세션의 첫번째 발표인 만큼 나름 긴장이 되었으나 청취자 분들이 열심히 내 발표를 듣는 모습에 용기내여 잘 마무리 할 수 있었다.

질문 1) 공정 간 상관성은 어떻게 산출 한 것인가?
답변 1) 각 공정 센서 별 다변량 시계열 데이터를 통계화 하여 피어슨 상관관계 분석한 결과를 평균 내었다.

질문 2) 시계열 데이터 간의 Sampling 주기가 다른 경우 어떻게 처리하나?
답변 2) 단순 보간 또는 LSTM 네트워크를 사용하여 누락된 데이터 포인트를 예측하는 방법으로 주기를 통일 할 수 있다.


[청취 후기]
자가지도학습 방법론을 통합 조합최적화

우리 연구실 민성이가 연구 한 주제를 관심있게 들었다. 조합최적화 문제들은 NP-Hard 여서 Size가 조금이라도 커지면 최적의 솔루션을
획득 할 수 없어 휴리스틱하게 주로 연구되어왔다. 최근에는 머신러닝 기반으로 지도학습 / 강화학습을 접목한 연구가 이루어지고있다.
하지만 지도학습에서는 최적조합을 학습시키기 위해 정답을 제공해야되는데 이런 데이터로 학습된 모델은 결국 기존 알고리즘보다 높은 성능을 기대할수가 없다.
따라서 거의 무한히 생성할 수 있는 X 데이터를 기반으로 자가지도학습을 접목하여 기존 지도학습을 통한 최적조합 학습 대비 어느정도 성능 향상이 있을지 실험해보는 접근 방법이었다.
X 데이터인 레이블링되어있지 않은 그래프를 Graph Attention Encoder 로 Embedding 후 MLP Classifier로 유사한 노드끼리 클러스터링 시킨 후 Y 라벨이 있는 데이터로 Fine-Tuning 한 결과
단순 지도학습 모델 대비 유의미한 성능 향상이 관측 되었다. 향후 연구가 더 기대되는 발표였다.