[학회 후기]

지난주 목요일(4월 11일)에는 서울
코엑스에서 “사례를 통해 본 AI & BI”라는 주제를
중심으로 제16회 Business Intelligence
Conference가 개최되었다. 개인적으로 이번 춘계 BI학회는
2018년 가을에 열렸던 BI학회 이후 두 번째로 참여하게
된 BI학회였다. 이번 2019년
춘계 BI학회는 서울대에서 진행되었던 지난 2018년 추계
BI학회와는 달리 외부 컨퍼러스 룸에서 진행된 학회이다 보니 처음 참석했던 BI학회와는 또다른 새로운 느낌을 느낄 수 있었다. 이번 학회에서는
이처럼 큰 컨퍼러스 룸에서도 자신의 연구를 많은 이들의 앞에서 열정적으로 발표하는 발표자들을 보며 많은 것을 배우고 느낄 수 있는 시간이었던 것
같다. 특히 가장 많이 했던 생각은 추후 이러한 장소에서 내가 발표하는 경우가 생겼을 때, 참석한 많은 연구자들에게 도움이 될 수 있는 연구 내용을 잘 정리하고 전달할 수 있도록 지속적으로 노력해야겠다는
점이었다. 앞으로도 이번에 배우고 느꼈던 점을 잊지 않고 계속해서 고민하는 연구자가 되도록 노력할 것이다.

[청취 후기]

GASNet
: Generation and Segmentation Networks for Identifying Wafer Defect Patterns, 이창현, 고려대학교

해당
발표는 비싸서 구하기 어려운 적은 양의 Wafer data를 가지고 ‘모델을
학습하고 검증할 수 있는 정도의 data 양을 어떻게 확보할 것인가’에
대한 인사이트를 얻을 수 있는 발표였다. 기존에는 VAE(Variational
Auto Encoder)를 통해 100장도 되지 않는 Wafer
data를 약 13,000장으로 불려서 학습 data와
검증 data를 확보했었다. 하지만 이번 발표의 핵심은 기존에
13,000장의 data point자체를 만드는 것이 아닌, GAN(Generative Adversarial Network) 모델로 data의
분포를 생성하고 그 분포를 통해 학습, 검증 data를 만들어
내는 것이었다. 해당 연구는 결과적으로 data를 잘 설명할
수 있는 분포를 만들었기 때문에 VAE로 생성했던 data point로
불량 패턴을 탐지했을 때보다 더 좋은 성능을 보이는 불량 패턴 모델을 구축할 수 있었다. 이번 발표에서는
같은 문제 상황이라도 더 좋은 성능의 Model을 찾기 위해 끊임 없이 고민하는 연구자의 자세를 배울
수 있었다. 현재 정의된 문제 상황을 머신러닝, 딥러닝 Model로 어느정도 좋은 성능의 Model을 구축하면 더 이상 고민하지
않고 그 문제 상황에 대한 결말을 낼 수도 있지만, 해당 발표는 조금이라도 더 좋은 성능의 Model을 찾기 위해 연구자가 얼마나 깊고 많은 고민했을 지 그 고민이 느껴졌기 때문이다. 이처럼 끊임 없이 고민하고 연구하는 연구자의 태도를 배우고 끊임 없이 노력해야겠다는 생각을 하게 해준 좋은
발표였다.

해석 가능한 비지도 학습 기반 이상치 탐지
방법, 박지혜, 서울대학교

해당 연구의 가설은
‘오분류 된 이상치 Case들과 상관관계가 있는 잠재 변수를
도출할 수 있다면 이 잠재 변수를 통해 디버깅 가능한 모델을 만들 수 있다는 것’이었다. 해당 잠재 변수를 도출하기 위해서 Generate 된 이미지 간
상호 정보량을 최대화하는 Term이 추가된 Info GAN Model을
활용하였다. Info GAN의 경우 Image 학습 시 ‘회전, 기울기’같은 의미를
더 잘 이해하고 이에 해당하는 잠재 변수를 더 잘 뽑을 수 있도록 해줄 수 있다는 장점이 있는 모델이다. 이번
발표를 통해 지난 형록이 세미나에서 들었던 Info GAN Model을 적용한 실제 연구 사례를 볼
수 있었다는 점이 좋았다. 이처럼 세미나에서 듣는 내용이 또 다른 연구자들의 실제 연구 사례로 듣고
배울 수 있다는 점을 다시 한번 확인 할 수 있었고, 이후에도 항상 세미나 시간을 통해 열심히 배워야겠다는
생각을 다시 한번 하게 해준 좋은 발표였다.

 ​