[학회 후기]

2026년 4월 9일(목)부터 4월 12일(일)까지 일본 교토에서 ICIEA 2026이 개최되었다. 이번 학회는 내가 처음으로 학회 발표를 진행한 자리이기도 해서 개인적으로 더욱 의미가 있었다. 학회 전체 분위기는 세션 분위기나 장소 분위기 모두 차분한 편이어서 좋았고, 발표를 듣고 준비하는 데에도 집중하기 좋은 환경이었다. 또한 다양한 발표를 들으면서 산업공학, 스마트 제조, 머신러닝 등 여러 주제들이 서로 연결되어 있다는 점도 인상적이었다.

 다만 여러 발표에서 공통적으로 자주 등장하는 개념들이 있었는데, 그 개념들을 내가 정확히 알지 못해 발표에 대한 이해도가 떨어지는 순간들이 있었다. 이를 통해 아직 기본기가 많이 부족하다는 점을 느꼈고, 앞으로 더 탄탄하게 공부해야겠다는 생각이 들었다. 

 한편, 대부분의 발표 자료가 시각 자료보다는 텍스트 위주였고, 시선을 맞추지 않은 채 대본을 읽듯 발음을 신경쓰지 않고 발표하는 경우도 적지 않았는데, 이를 통해 발표에서는 연구 내용 자체도 중요하지만 청중이 이해할 수 있도록 자료를 구성하고 전달하는 것 역시 매우 중요하다고 느끼게 되었다.

[발표 후기]

주제 : Two-Stage Latent Space Learning Framework Using Displacement Vectors for Tire Profile Prediction

본 연구에서는 타이어 몰드 형상으로부터 공기 주입 후 최종 타이어 프로파일을 예측하는 문제를 다루었다. 고차원 형상 데이터를 직접 예측하는 대신, 몰드 형상에서 타이어 형상으로 변환되는 displacement vector를 예측하는 방식으로 문제를 재구성하였고, 이를 보다 효율적으로 다루기 위해 2-stage latent space learning framework를 제안하였다. 먼저 displacement vector를 저차원 latent representation으로 압축한 뒤, 설계 및 실험 관련 tabular feature로부터 해당 latent representation을 예측하는 predictor를 학습하는 방식이다. 이를 통해 고차원 출력 예측의 복잡도를 줄이고, 최종적으로는 타이어 프로파일 예측에 활용하고자 하였다.

발표를 준비하면서는 청중과의 교감을 가장 중요하게 생각했고, 청중이 이해할 수 있도록 자료를 마지막까지 계속 수정하며 준비하였다. 발표 중에도 청중과 최대한 시선을 맞추며 설명하려고 노력했는데, 이런 부분이 비교적 잘 작용했던 것 같다. 다만 멘트를 여러 번 더듬고, 다소 정확하지 않은 표현을 사용한 점은 아쉬웠다. 발표 영상을 다시 확인해보니 나도 모르게 헛기침을 자주 하고 있었던 점도 아쉬움으로 남았다.

질문 1 : Predictor 모델 선정이 중요할 것 같은데, 왜 Predictor를 DNN 모델로 선정했는지?

답변 1 : Tree Model의 대표로 XGBoost를, Deep Learning의 대표로 DNN 모델을 선택하여 비교 실험을 진행하였고, 그 결과 DNN 계열에서 가장 좋은 성능이 나왔기 때문에 DNN 모델을 선정하였다.

질문 2-1 : 이 모델이 실제로 회사에서 사용될 수 있는지?

답변 2-1 : 여전히 개선해야 할 부분은 있지만, 충분히 도움이 될 수 있는 수준이라고 생각한다.

질문 2-2 : 그렇다면 경영적 관점에서, 어느 정도의 비용을 saving 할 수 있는 것인지가 궁금하다.

답변 2-2 : (발표 이후 break time에서) 몰드 한 개당 약 20,000달러 수준이고 통계적으로 정리된 데이터는 없지만 경험적으로는 1년에 약 10개 정도의 몰드가 잘못된 설계로 인해 재제작되는 것으로 추정된다. 따라서 그 정도의 비용 절감 효과를 기대할 수 있을 것 같고, 단순한 비용 절감뿐 아니라 설계 제약이 줄어든다는 측면에서도 의미가 있을 것이다.

[청취 후기]

1. Surrogate TEM Imaging from Inline OCD with Conditional Generative Models

이 발표는 반도체 단면 구조를 측정하기 위한 TEM 관측 방식이 파괴적이라는 문제를 다루고 있었고, 이를 해결하기 위해 비파괴 치수 측정 방식인 inline OCD 측정값으로부터 TEM 이미지를 예측 생성하는 방법을 제안하였다. 실제 반도체 산업에서 겪고 있는 실질적인 문제를 다루고 있다는 점에서 흥미로웠고, 무엇보다 발표자가 최대한 이해하기 쉽도록 자료를 준비하고 설명하여 끝까지 집중해서 들을 수 있었다. 산업 현장의 문제를 생성 모델과 연결하여 풀어낸다는 점에서 인상 깊었던 발표였다.

2. Queueing Theory as Operational Physics: Toward Foundation Models for Manufacturing and Service Systems

이 발표에서는 queueing theory를 제조 및 서비스 시스템의 operational physics로 바라보고, 이를 최근의 data-driven AI 및 manufacturing foundation models와 연결하는 방향을 제시하였다. 전통적인 수리적 이론과 최근의 인공지능 연구를 별개의 흐름으로 보지 않고 하나의 연구 방향으로 묶어 설명한다는 점이 인상적이었다. 아직 내가 관련 개념을 깊이 있게 이해하고 있는 것은 아니지만, 산업공학의 전통적인 기반 이론이 최신 AI 연구와 어떻게 연결될 수 있는지를 생각해보게 만든 발표였다.