[학회후기]

석사 졸업 이후 5년만에 참석하는 학회여서 이번 학회와 비교를 해본다면 인공지능 방법론은 더욱 실용적으로 변화하고 적용 대상은 더욱 다양해지고 있음을 체감할 수 있었다. 여러 논문을 청취하면서 새로운 아이디어들도 접할 수 있었고 우리 연구실의 연구 수준도 가늠해볼 수 있는 기회였다. 그 과정에서 DMQA 소속으로써 자부심을 얻을 수 있었다. 현장에서 직접 발표하면서 개인 연구에 대해서 정리하고 돌아볼 수 있는 기회도 되었다. 특히 다른 연구소 건물에 위치하다보니 동기들과 대화 할 기회가 많지 않았는데 일부 졸업을 앞둔 동기들과도 가까워질 수 있었던 점에서 즐거운 경험이 많았던 학회였다.

 

[발표후기]

그래프 분석을 통한 5G 무선통신 검사 공정의 효율화 방안이라는 제목으로 발표하였다. 무선통신 기술은 세대가 발전할수록 검사항목이 급격히 증가하기 때문에 기업에서는 검사 증가로 인한 생산 능력의 잠식을 예방하기 위해 다양한 노력을 전개된다. 하지만 일반적으로 신규 검사공정의 셋업을 위한 투자한 후 진행되기 때문에 투자 절감 효과는 제한적일 수 밖에 없다. 본 발표에서는 검사 공정의 설계 시 일부 검사 데이터를 활용하여 중요한 검사를 중심으로 검사 공정을 설계하는 방법을 제안하였다. 먼저 그래프 분석을 위해 각 node는 검사 항목으로 edge는 correlation으로 구성한 후 graphical lasso를 활용하여 적용 전보다 sparsity가 높은 그래프를 구하여 검사 항목간 관계를 추정한다. 이후 PageRank를 활용하여 각 노드의 중요도를 측정한 뒤 중요도 상위 노드를 입력 변수로 나머지 노드를 출력 변수로 하는 예측 모델을 구성한다. 이를 통해 출력 변수에 해당하는 검사항목을 실측이 아닌 예측 모델의 예측로 대체함으로써 검사시간을 단축하고자 하였다. 다만 기존 PageRank는 이미 선택된 node와 관계가 있는 다른 node를 선택하는 경향이 있어 본 연구에서는 이를 penalty로 제한하는 신규 PageRank를 제안하였다. 신규 PageRank를 통해 선택된 검사 항목을 사용할 경우 기존 PageRank를 사용할 때 보다 출력 변수의 예측 정확도가 높아지는 것을 실험으로 증명하였다. 이러한 방법을 통해 휴대폰 검사 공정의 단축에 기여할 수 있기를 기대한다. 

질문 1. Betweenness Centrality 등으로 node의 중요도를 측정할 때 도메인 지식을 활용한 경우가 많은 데 본 실험에서는 어떻게 접근하였나?

답변) 바이어, 국가별 구분을 감안하면 매년 100 종 내외의 휴대폰 신모델이 출시되기 때문에 도메인 지식을 모델마다 고려했다면 현실에 적용하기 어려웠을 것이다. 도메인 지식을 배제하고 data만으로 중요도를 평가할 수 있도록 고안하였다.

질문 2. 예측 모델이 여전히 높은 성능을 유지하고 있다는 것을 확인할 수 있는 방법은 무엇인가?

답변) 예측 모델의 성능 모니터링은 본 연구와는 별개의 영역으로 생각된다. 만약 현장에 본 과제를 적용한다면 생산 라인 중 일부를 검증 라인으로 활용하거나 임의의 검증용 샘플을 추출하여 현재 모델의 성능이 유지되거나 떨어졌다면 재학습이 필요한지 확인하는 별도 프로세스를 고려할 수 있을 것이다. 사실 예측모델의 관리 측면은 머신러닝을 활용하는 기업을 중심으로 MLOps(Machine Learning Operation) 분야에서 심도 깊게 다루어지고 있다. 기업의 MLOps 구축 사례를 조사한다면 도움이 될 것이다.

[청취후기]

1. 이미지 기반 다변량 시계열 데이터 변환을 통한 제조 불량 분류 및 원인 인자 탐색 - 이보경, 김창욱 (연세대학교 산업공학과)

우리 연구실에서도 자주 다루는 시계열 데이터의 fault detection and classification 방법론을 제안한다. 시계열 데이터의 길이를 동일하게 조절하기 위한 Piecewise Aggregate Approximation, 극 좌표계를 기반으로 시계열 데이터를 이미지 데이터로 변환하는 Gramian Angular Field를 사용한 것이 특징이다. 주목할 점은 우리 연구실에서는 1D CNN을 활용하여 채널 방향의 변화만 고려하는 연구가 많은 데 이번 연구에서는 각 변수 간 상간 관계까지 고려하기 위해 센서 간에도 convolution이 적용되는 grouped convolution이 적용되었다는 점이다. fault diagnosis 방법으로는 classification에 사용된 모델의 마지막 FC layer의 weight 값을 합산하여 중요한 변수를 측정하였다. grouped convolution은 우리 연구실에서 1D CNN을 활용하는 연구에서 추가로 검토해 볼만한 아이디어로 생각된다. 또한 이왕 시계열 데이터를 이미지로 전환했기 때문에 이미지에서 활용하는 해석 방법인 Grad-CAM 등을 사용했을 때 결과도 궁금한 연구였다.

2. 산업사회의 변화와 품질경영의 진화적 대응 - 윤재욱 (한국외국어대학교)

교수님과 우연히 참석한 세션이었다. 품질경영은 SPC, 6-sigma 등으로 중요하게 다루어졌었던 기억이 있지만 최근에는 동력을 잃어가는 분야로 관련 과목을 가르치시는 교수님들의 고민을 들을 수 있었다(회사에서도 6-sigma 사무국이 5년 전 closed 되었다). 과거 품질은 규격을 만족하기 위해 노력했었다면 오늘날의 품질은 단순히 규격의 만족에만 국한하지는 않는다. 제품의 성능과는 별개로 심미적, 감성적 요소까지 품질의 요소로 복합적으로 적용되는 시대이다. 따라서 단순히 규격 내에 만족을 추구했던 과거의 개념과는 달리 이미지나 음성 등 고차원 데이터와 사용자의 경험/판단을 정답지로 연결하여 분석할 수 있는 머신러닝, AI의 접근 방법이 품질을 혁신하는 도구로써 부상하고 있음은 의심할 여지가 없다고 생각한다. 아주 오래 전에 읽었던 "렉서스와 올리브나무" 책이 떠올랐다. 품질경영의 오랜 가치관(올리브나무)과 새로운 흐름(렉서스)가 잘 융화되어 품질경영이 새롭게 꽃피울 수 있기를 기대하며 나 스스로도 계속 변화해야 함을 느끼게 한 세션이었다.