[학회후기]
개인적으로 6년전 산업공학회에 참석하고 두번째로 참석한 것이었는데, 오프라인이 아닌 온라인이기도 했고, 6년전과는 내용이 너무 많이 달라진 것 같아 여러모로 새로운 기분이었다. 오프라인 학회가 더 학회다운 기분도 나고 좋지만, 온라인도 한자리에서 정말 많은 발표내용을 들을 수 있다는 나름의 장점도 있는 것 같다. 청취만 한 덕분에 여러 발표내용을 들을 수 있었는데, 온라인이다보니 발표내용에 대한 자연스러운 질의응답을 할 수 없었던 것은 아쉬웠다. 산업공학에서의 딥러닝, 머신러닝 연구에 대한 다양한 내용을 접할 수 있었던 좋은 시간이었고, 제조업 관점에서 어떻게 인공지능 기술을 적용할 수 있는지 관심을 갖고 들을 수 있었던 시간이었다.

[청취후기]
1. 웨이퍼 맵 패턴 군집을 위한 합성곱 오토인코더를 활용한 자가 지도학습기반의 동적 클러스터링 - 김동화, 강필성(고려대학교 산업경영공학과)
웨이퍼 맵의 패턴 Label을 얻기 위해서는 많은 비용이 발생하며, 새로운 패턴이 등장할 때 대응할 수 있는 방법론이 필요하다. 이에 Label 없이 새로운 패턴에 adaptive하게 학습할 수 있는 동적 클러스터링 모델을 제안하는 발표였다. 제안 방법론은 Dynamic Clustering으로 CAE를 활용하여 Pre-training을 한 후, Pseudo label을 활용하여 Self-supervised learning을 하게 되는 모델이었다. 실험내용 중 CAE의 Latent vector의 형태에 따른 성능을 비교한 내용이 흥미로웠는데, Latent vector를 Flat vector로 하느냐 Conv block으로 하느냐를 비교한 내용이었다. 결과는 Flat vector가 시각적 특징을 더 잘 표현한다고 하고 Conv block은 상대적으로 Overfitting이 되는 경향을 보인다고 하였다. 결론적으로 이 동적 클러스터링 모델은 새로운 패턴이 생성되더라도 새로운 군집을 구성하여 클러스터링해주는 모델로써, 다양한 활용이 가능할 것 같다는 생각이 들었다. 

2. 동적 결측 대체법을 활용한 인공신경망 학습 - 한종민, 강석호(성균관대학교 산업공학과)
실제 데이터셋은 다양한 이유로 인해 Missing Data가 빈번히 발생한다. 이러한 결측치에 대한 기존의 접근방법은 결측치가 존재하는 Instance나 Feature를 단순히 삭제하는 방법과 다른 관측치들을 이용하여 추정함으로써 결측치를 채우는 방법이 있다. 이 중 단순 삭제는 정보의 손실이 많을 수 있기 때문에 주로 데이터 전처리 과정에서 결측치를 추정을 통해 채우는 방법을 사용하게 된다. 하지만 모델학습 이전에 한번 추정된 결측치는 고정되고 이후 바뀌지 않아 이 추정이 부정확할 경우 학습에 부정적인 영향을 미칠 것이다. 이에 여기서 제안한 방법론은 학습 중 Missing Data Imputation을 매 Epoch마다 수행하는 Dynamic Imputation을 제안하였다. 기존의 고정된 Static Imputation 보다 성능은 향상되었으나 아무래도 시간비용이 더 드는 단점이 있어 이를 극복하기 위한 Heuristic 방법을 제안하기도 하였다. 데이터의 결측치는 당연히 데이터 전처리 과정에서 해결해야할 문제라고 생각했었는데, 이번 발표를 통해 학습 과정에서도 결측치를 처리할 수 있다는 좋은 아이디어를 얻게 되었다.

3. 레이블 정보 제약에 따른 강판 표면 이상 분할 방법론 비교 연구 - 김재호, 강석호(성균관대학교 산업공학과)
평소에 잘 볼 수 없었던 철강 분야 데이터를 다룬 발표여서 관심이 있었다. 강판의 결함을 탐지하기 위한 데이터로써 Kaggle Competition에 사용된 데이터였다. 실제 데이터는 Defect Class가 4개였으나 발표자의 실험에서는 결함 유무만을 탐지하는 내용의 실험을 진행하였다. Fully Supervised Learning, Weakly Supervised Learning, Unsupervised Learning 각각에 대한 Anomaly Segmentation Model로 실험을 하였다. Fully Supervised Learning이 가장 우수한 성능을 보였는데, 레이블이 완전히 주어지지 않은 상황에서 Fully Supervised Learning만큼의 성능이 나올 수 있는 방법을 제시하였으면 더 좋았겠다는 생각이 들었다. 강판 결함 탐지와 예측 Task에 대해 연구를 더 진행해보면 좋겠다는 생각을 했다.

4. Uncertainty-Aware Soft Sensor Using Bayesian Recurrent Neural Networks -이민정, 김성범(고려대학교 산업경영공학과)
4차 산업에서 센서 데이터는 점점 더 많은 활용이 되고 있다. 이러한 센서 중에서도 측정이 어렵고 가격이 비싼 센서를 Data-driven의 소프트 센서로 대체하는 연구가 활발한데, 본 발표에서는 소프트 센서의 예측값에 대한 불확실성을 같이 보여주고, 불확실성을 활용하여 구간예측을 하는 소프트 센서에 대한 방법론을 제안하였다. Bayesian RNN을 활용한 모델로, 모델의 수식을 다 이해할 수는 없었지만, 소프트센서로부터 잘못 예측된 신호를 그대로 의사결정에 활용하여 얻게되는 비용과 시간을 고려했을 때, 모델의 불확실성과 관측치별 데이터의 불확실성을 알려주는 것은 큰 의미가 있는 것 같다. 예측값의 구간에 대해 깊게 생각을 못했었는데, 이번 발표내용을 통해 모델과 데이터의 불확실성을 반영하는 것에 대해 생각해볼 수 있는 좋은 기회였다.

5. 강화학습을 이용한 반도체 공장의 일시적인 생산 용량 확장 정책 - 이희재, 박건수(서울대학교 공과대학 산업공학과)
반도체 라인에서 발생되는 일시적인 생산 용량 재분배(Send FAB) 문제를 강화학습으로 모델링하여 실험을 진행한 발표내용이었다. 기존에는 사람의 판단에 의해 의사결정을 하고 있었던 문제를 모델링한 것인데, 내가 회사에서 하던 업무와도 어느정도 비슷한 성격이 있는 것 같아 흥미가 있었다. 이번 발표내용에서와 같이 공장라인의 전체적인 상황을 보고 생산량 분배를 판단해야하는 복잡한 문제에 강화학습의 State, Action, Reward 등을 어떻게 정의할 수 있는지를 볼 수 있었다. 회사에서 하던 업무도 아직까지는 사람의 판단에 의존해야하는 문제인데, 강화학습으로 모델링을 할 수도 있겠다는 힌트를 얻은 발표내용이었다.