[프로젝트 개요]타이어 제조 공정에서는 설계된 몰드(Mold) 형상과 실제 제조된 타이어의 단면 형상(Profile) 사이에 차이가 발생한다. 특히 공기압, 휠 너비, 벨트 구조 등 다양한 설계·시험 조건에 따라 타이어 형상이 변형되므로, 실제 타이어를 제조하기 전에는 최종 Profile을 정확히 예측하기 어렵다. 이러한 Profile 검증에는 몰드 제작, 시제조, 시험까지 약 12주 이상의 시간과 비용이 소요되며, 형상 문제가 발견될 경우 재설계와 재제작이 반복될 수 있다.본 프로젝트의 궁극적인 목표는 타이어 설계 인자와 시험 조건, 몰드 형상 정보를 기반으로 실제 타이어 Profile을 사전에 예측하는 인공지능 알고리즘을 개발하는 것이다. 이를 통해 실제 제조 이전 단계에서 요구 형상 만족 여부를 검토하고, 설계 실패 위험과 검증 비용을 줄이는 것을 목표로 하였다. 본 연구에서는 타이어 Profile 예측하는 것을 다중 출력 회귀 문제로 정의하였고, 입력 데이터 또한 고차원 출력으로 구성된다. [프로젝트 내용]타이어 Profile 예측 문제는 한 샘플당 여러 지점을 동시에 예측해야 하는 고차원 다중 출력 회귀 문제이다. 모든 지점을 직접 예측하는 방식은 모델의 학습 부담과 추론 비용을 높일 뿐 아니라, 불필요한 변동까지 학습하여 예측 정확도를 저하시킬 수 있다. 이에 본 연구에서는 차원 압축 방식을 적용하여 고차원의 정보를 핵심 형상 정보로 보존하는 저차원 잠재 벡터로 압축하였다.구체적으로, 인공지능 모델은 타이어 설계·시험 조건을 입력 받아 16차원의 압축된 Profile 정보를 예측한다. 이를 통해 고차원 형상 예측 문제를 효율적인 저차원 회귀 문제로 변환하였다. 예측 모델로는 사전학습 기반의 Foundation Model을 활용하였다. 활용한 모델은 다양한 합성 데이터셋으로 사전학습된 예측 모델이지만, 타이어 Profile은 형상·구조·시험 조건이 복합적으로 작용하는 도메인 특화 데이터이므로 추가적인 타이어 데이터 학습을 통해 도메인 적합성을 높였다. 그 결과, 압축된 Profile 정보를 예측하는 과정에서 XGBoost 및 DNN 대비 더 우수한 성능을 확인하였다.결과적으로 본 연구는 고차원 타이어 Profile 데이터를 압축하고 파생 변수를 활용하는 방식으로 실제 타이어 제조 이전에 Profile 형상을 정밀하게 예측할 수 있는 방법론을 제안하였다. 이를 통해 설계 단계에서 Profile 형상을 사전에 검증하고, OEM 요구 형상 만족 여부를 빠르게 판단하며, 재설계 및 시험 비용을 줄일 수 있을 것으로 기대된다.

[프로젝트 개요]디스플레이 제조 공정은 여러 단계의 정밀한 공정을 거쳐 최종 제품을 생산하는 순차적인 구조로 이루어져 있다. 이러한 구조에서 각 공정 단계마다 제품의 품질을 정확히 측정하고 관리하는 것은 전체 공정의 안정성을 유지하고 최종 품질을 보장하는 데 필수적이다. 특히, 앞선 공정을 거치며 수집된 검사 데이터를 기반으로 후속 검사 단계에서 측정될 품질 특성을 선제적으로 예측하는 과정이 매우 중요하다. 그러나 제조 현장의 환경 변화로 인해 수집되는 검사 데이터의 특성이 지속적으로 변동될 수 있으며, 이러한 데이터 분포의 변화는 기존에 구축된 예측 알고리즘의 성능을 크게 저하시켜 일관된 품질 관리를 어렵게 만드는 핵심 원인이 된다. 따라서 새롭게 유입되는 데이터의 특성 변화를 실시간으로 인지하고, 이에 즉각적으로 대응할 수 있는 능동적인 기술 개발이 필요한 실정이다.[프로젝트 내용]본 프로젝트의 궁극적인 목표는 공정 운영 조건 변경에 따라 발생하는 데이터 분포 변화를 자동으로 보정할 수 있는 알고리즘을 개발하는 것이다. 이를 달성하기 위한 세부 목표는 ① 기존 공정 검사 데이터를 바탕으로 후속 검사 데이터를 자동으로 예측할 수 있는 인공지능 모델 설계, ② 변화하는 데이터 특성에도 성능 저하 없이 지속적으로 적응할 수 있는 견고한 품질 검사 결과 예측 알고리즘 구축의 두 가지로 나눌 수 있다. 개발된 모델을 실제 공정에 실시간으로 적용하기 위해서는 별도의 추가적인 모델 재학습이나 정답 레이블 수집 과정 없이, 모델 스스로 테스트(Test) 시점의 데이터 분포에 즉각적으로 적응할 수 있는 알고리즘의 개발이 필수적이었다. 본 연구에서는 이러한 현장의 Data Shift 상황을 가정하기 위해, 분포가 전혀 겹치지 않는 '수집 기간 1'을 모델 학습용 소스(Source) 데이터로, '수집 기간 2'를 실시간 적응을 위한 타겟(Target) 데이터로 명확히 구분하여 정의하였다.이를 해결하기 위해 Test-Time Adaptation(TTA) 기법을 도입하여, 실시간으로 유입되는 글라스 데이터에 대해 즉각적인 모델 보정을 수행하였다. 다만 이 과정에서 모델이 과거에 학습했던 기존 데이터의 정보를 잊어버리는 문제가 발생할 수 있는데, 본 연구에서는 소량의 글라스 데이터를 활용해 TTA를 임시로 수행한 후 다시 모델의 파라미터를 원래 상태로 복원하는 방식을 적용함으로써, 새로운 데이터에 적응하면서도 기존 데이터에 대한 예측 성능을 온전히 유지할 수 있도록 설계하였다.또한, 실제 데이터 분포 변화가 탐지된 글라스 데이터에 TTA를 적용했을 때 유의미한 예측 성능 향상이 이루어지는지 검증하는 과정을 거쳤다. 다중 출력 회귀 문제의 특성을 고려하여 총 세 가지 알고리즘을 대상으로 실험을 진행한 결과, 두 가지 방법에서 TTA 수행 후 예측 성능이 뚜렷하게 개선됨을 확인하였다. 특히, SSA 알고리즘을 적용했을 때는 MAE 기준으로 평균 38%의 대폭적인 성능 개선 효과를 입증할 수 있었다.추가적으로, 전반적인 예측 정밀도를 한층 더 끌어올리기 위해 사전학습 모델의 업데이트 전략을 병행하여 적용하였다. 구체적으로는 target 데이터의 정답 레이블이 확보되는 시점에 이를 새로운 source 데이터로 편입시켜 예측 모델을 지속적으로 업데이트하는 방식을 채택하였다. 실험 결과, 업데이트에 활용되는 레이블 된 데이터의 양이 증가할수록 모델의 성능이 비례하여 개선되는 경향을 보였으며, 전체 target 데이터의 40%만을 활용하더라도 현장 적용에 충분히 합리적이고 우수한 예측 성능을 확보할 수 있음을 확인하였다.

연구 배경제조 기업에서는 센서 기반 AI를 가전 제품에 탑재하여 모니터링하고, 이를 기반으로 적절한 서비스를 제공하여 고객의 사용 만족도를 증대시키는 것이 중요하다. 이때 제공되는 서비스의 품질은 고객의 제품 사용 기간 및 탑재 환경이 다르더라도 강건하고 일관되게 유지되어야 하며, 이를 위해 아래 두 가지 연구 목표를 달성해야 한다:1) 다양한 고객 제품 사용 환경을 대변할 수 있는 AI 모델 학습 방법 연구2) 각 고객 별 제품 사용 환경 변화를 반영할 수 있는 on-device 모델 개발이때, 본 프로젝트에서는 1) 스틱 청소기 데이터를 기반으로 다양한 고객 데이터를 대변하고 가전 제품 AI 모델의 일반화 성능을 높이는 연구를 수행함과 더불어, 2) 강건한 냉장고 고내 온도 예측을 위하여 연합학습 방법론 개발을 함께 수행하였다.1. 스틱 청소기 데이터셋 기반 시계열 센서 데이터 증강 기법 연구본 연구는 스틱형 청소기 제품의 센서 시계열 데이터를 활용하여 다양한 고객군의 데이터를 대변하기 위한 증강(augmentation) 기법을 개발하는 것을 목표로 하였다. 이를 위해 청소기의 동작 구간 별로 진동, 전류, 전압, 온도 등 다중 센서 정보를 수집하고 이를 시계열 데이터로 전처리하여 분석을 수행하였다. 이 과정에서 데이터 증강을 통해 다양한 사용 환경 및 동작 패턴을 모사함으로써 학습 데이터의 다양성과 모델의 일반화 성능을 동시에 확보하고자 하였다.데이터 형태는 두 가지로 구분하여 비교 실험을 수행하였으며, 데이터의 고유한 시간 정보를 최대한 보존할 수 있는 원본 시계열 데이터와 시계열의 핵심 정보만을 압축하여 효율적 학습을 할 수 있는 통계량 기반 tabular 데이터가 그것이다. 시계열 데이터의 경우 RandAugment 기법을 적용하여 증강을 수행하였으며, tabular 데이터의 경우 CIFRUS 기법을 적용하여서 데이터 증강을 수행하였다.실험 결과, 증강 기법을 적용하지 않은 케이스와 비교하였을 때 데이터 형태와 무관하게 모두 유의미하게 성능이 향상된 것을 확인할 수가 있었다. 더불어, 데이터 취득이 제한적인 상황 (5%)에서도 증강을 통해 데이터를 100% 확보한 상황에 가까운 성능을 달성함으로써 증강 기법에 대한 효과 검증을 완료하였다.2. 냉장고 데이터셋 기반 연합학습 기법 연구본 연구에서는 고내 온도 모델을 구축하기 위한 연합학습 기법을 개발하였으며, 제품 출시 이후 생성되는 냉장고 고객 데이터를 온도 예측 모델에 지속적으로 반영하여 예측 성능을 향상시키는 것을 연구 목표로 한다. 이때, 센서 노후화나 기기 고장 등 냉장고의 물리적 결함으로 인해 발생하는 이상 데이터를 가진 고객 (클라이언트)을 자동으로 탐지 및 식별하고, 이상 고객이 온도 예측 모델 업데이트에 미치는 영향을 제어하여 학습 안정성과 신뢰성을 확보할 수 있는 알고리즘을 개발하였다.본 연구에서 제안한 알고리즘의 동작 방식은 다음과 같다. 먼저 서버에서 정상 데이터만을 이용해 이상 고객 탐지 모델 (오토 인코더)을 사전학습시켜, 센서 노후화나 물리적 결함과 같은 데이터 왜곡 패턴을 복원오차로 포착 가능하게끔 한다. 이후 고객 별로 복원오차 기반 이상 고객 점수를 스코어링 하며, 해당 점수를 기반으로 연합학습에 참여할 지에 대한 여부를 결정한다. 본 연구에서는 복원오차 하위 N percentile에 해당하는 고객은 이상 고객으로 정의하여 학습에서 제외하였으며, 정상 고객만을 FedAvg 방식으로 집계하여 연합학습을 수행하였다.실험 결과, 이상 고객이 존재하는 연합학습 상황에서도 제안 알고리즘이 가장 우수한 성능을 도출하였으며, 기존에 제안되었던 타 이상 대응 알고리즘과 비교하여서도 가장 우수한 성능을 달성한 것을 확인하였다.이와 더불어, 연합학습이 완료된 글로벌 모델에 대해서 추가적인 on-device 개인화 연합학습을 수행하여 추가적인 성능 개선을 도모하였다. 이는 고객 별로 상이한 냉장고 운용 환경을 고려하여, 보다 개별 사용자 환경에 맞추어 글로벌 모델을 최적화하기 위해 수행된 연구이다. 개인화 연합학습은 각 고객의 데이터로 20 epochs만큼 미세 조정을 수행하여 진행하였다. 이에 대한 실험 결과, 모든 출력 데이터에서 개인화 연합학습을 적용하였을 때 더 우수한 성능을 달성하였으며, 글로벌 모델만으로는 반영되지 않았던 고객 별 편차를 효과적으로 보정 가능함을 확인하였다. 따라서 시간 및 비용이 확보되는 상황에서는 개인화 연합학습까지 수행하여 보다 우수한 예측 성능을 달성 가능함을 제언하였다.

반도체 공정은 순차적으로 FAB 공정을 수행하며 해당 과정에서 설비 정보, recipe정보, 가상 계측 정보 등을 수집한다. FAB 공정 이후 측정되는 제품 특성 값을 통해서 웨이퍼의 전기적 특성을 정량적으로 측정하고 불량 여부를 판단할 수 있다. 본 프로젝트에서는 반도체 FAB 공정 이력 기반 데이터 중 주요 공정 데이터만을 활용하여 다양한 제품 특성값 예측 및 효율적인 공정관리를 하기 위한 공정 별 주요 요인 해석 및 정량화를 목표로 한다. 이때, 주요 공정 데이터들에 대한 특성을 잘 추출할 수 있으면서 동시에, 다양한 제품 특성값들의 범위 차이를 반영할 수 있는 예측 모델을 구축하였다.1. 입력 데이터(주요 FAB 공정 테이터) 특성을 효과적으로 추출할 수 있는 모델 개발입력 데이터 특성으로는 다음과 같은 세 가지 특성이 존재한다.순차성: 설비들이 유기적으로 연계되는 공정 특성 상 시간 흐름에 따라서 순차적으로 값이 수집됨변수 독립성: 각각의 공정 step으로부터 수집되는 설비 정보와 recipe 정보는 서로 다른 고유한 특성을 가짐국소적 패턴 변화: 전체 공정 step들 중 특성 시점에서 생기는 변화가 ET 예측에 중요한 영향을 미침따라서, 설비와 recipe 별 특성을 고유하게 반영할 수 있는 모듈을 제안하며 동시에 공정 순차성 및 국소적인 값의 변화를 고려할 수 있는 모델을 제안하였다.2. 출력 데이터(제품 특성값)들의 범위가 모두 다른 특성을 반영하기 위한 학습 알고리즘 개발각각의 출력 데이터들은 값의 범위가 모두 다르다는 특성이 존재한다. 기존 회귀 모델에서 사용하는 MSE 손실함수를 통하여 학습을 할 경우, 출력 데이터에 대해서 학습적인 불균형을 야기할 수 있다. 따라서, 모든 출력 데이터들에 대해 공정하게 학습을 하기 위한 IQR-Weighted MSE 손실함수를 적용하여 학습적인 불균형을 해소하였다.3. 모델 성능 평가 및 공정 별 주요 요인 해석모델 성능 평가 시에는 기존 회귀 모델 성능 평가 지표들 외에, 출력 데이터들 값의 범위 차이에 의해서 예측 오차가 y 범위 내에서 얼마나 차지하는지 보여주는 normalized MAE 지표를 추가적으로 사용하여 성능 평가를 진행하였다. 실험 결과를 통해서 입력 데이터 특성을 반영할 수 있는 제안 모델인 CSE 모델이 다른 비교 방법론들에 비해서 모든 회귀 성능 평가 지표 상에서 더 우수한 성능을 보였다. 또한, 우측 실험 결과 표를 통해서 출력 데이터 특성을 반영하는 IQR-Weighted MSE 손실함수의 효과를 확인할 수 있다.모델 성능 평가와 더불어서, 공정 별 주요 요인 해석을 진행하였다. 주요 요인 해석으로는 반도체 도메인 지식과 그에 해당하는 두 그룹별 모델링 해석 결과 비교를 통해서 주요 공정해석에 대한 정합성을 확인하였다.

[프로젝트 개요]최근 작물에 대한 생육 분석은 우수한 작물 식별 및 작물 생산계획 수립 등에 있어 중요성이 대두되고 있다. 하지만, 이러한 작물 생육 지표를 인간이 직접 측정하기에, 측정 오차가 존재할 뿐만 아니라 많은 시간과 비용이 발생하고 있다. 따라서, 본 프로젝트는 인공지능을 활용하여 여러 작물이 재배되는 판에서 개별 작물을 식별한 후, 식별된 개별 작물에 대한 생육을 분석함으로써 인간 개입 없이 작물을 분석하고자 하였다.[프로젝트 내용]1. 작물 모델링 데이터셋 구축본 프로젝트는 인공지능을 학습하기 위한 작물 데이터셋 구축 과정부터 시작한다. 이때, 개별 작물 식별하는 알고리즘을 위한 픽셀 수준 레이블과 생육 분석을 위한 개별 작물 수준 생육 정보를 레이블링하여 데이터셋을 구축하였다.2. 개별 작물 식별을 위한 Instance Segmentation 모델개별 작물을 식별하기 위한 알고리즘으로 Instance Segmentation 모델을 활용하였다. Instance Segmentation은 이미지 내 객체 영역을 구분할 뿐만 아니라 구분된 영역 내에서 Instance를 구분할 수 있는 알고리즘이다. 이때, Step1에서 직접 레이블링한 약 40여장 데이터를 기반으로 직접 학습한 모델과 추가적인 학습이 필요 없는 Foundation 모델인 Segment Anything (SAM)을 비교하였다. 실험적으로, 추가적인 학습 없이 활용할 수 있는 SAM이 가장 우수한 성능을 보였다. 이는 데이터가 적기에, 직접 학습하는 것이 큰 효과를 거두기 어려웠던 것으로 판단된다. 이에 따라 개별 작물 이미지 식별에는 SAM을 활용하였다. 3. 생육 분석 모델식별된 개별 작물 이미지에 대하여 생육을 예측하는 인공지능 모델을 구축하였다. 그러나, 앞서 언급한 것처럼 데이터가 매우 적다. 따라서 데이터 증강을 적용하여, 부족한 데이터를 보완하였다. 결과적으로 생육 일자 예측, 수확 중량 예측, 현재 중량 예측 3개 Task에서 모두 오차율 10% 이내 성능을 달성할 수 있었다. 그 외에도 시계열 모델링 등 여러 기법을 검증하였으며, 향후 개선 방향 등 생육 모델링 고도화 방향을 제안하였다.

[프로젝트 개요]의류 산업에서는 주로 사람의 경험을 토대로 미래 판매량을 예측하거나, 기초 통계를 활용해 예측을 진행하였지만 이러한 방식은 예측 정확도가 낮다는 한계점이 존재한다. 따라서 본 프로젝트는 의류 판매량에 특화된 예측 모델을 개발함으로써 정확한 판매량 예측 값을 제공하고, 생산계획 및 재고관리와 같은 의사결정에 도움을 주고자 한다. [판매량 데이터 특성]의류 상품은 실제 상품이 판매되는데까지 약 6개월의 리드타임이 존재하여, 장기 수요 예측을 필요로 한다. 또한, 의류 상품은 계절과 트렌드에 민감하여 주기적으로 반복되는 패턴과 추세를 보이는 동시에, 판매량이 급격하게 증가/감소하는 변동성이 존재한다는 특징이 있다. [예측 모델 개발]이에 본 프로젝트에서는 장기 시계열 예측에 적합한 Sequence to Sequence(Seq2Seq) 모델을 바탕으로 해당 데이터에 적합한 구성 요소들을 추가하였다. 패턴과 추세를 반영하기 위해 오토인코더로 입력 판매량을 스무딩하고, 시점 정보를 함께 입력 데이터로 활용하였다. 마지막으로 급격한 변동성을 효과적으로 예측하기 위해 DILATE 손실함수로 모델을 학습하였다.