QA/QC 스파르타클럽 43일차 - 심화 프로젝트 회고

2팀 - 반도체 LPCVD 공정 데이터 분석 프로젝트

분석 내용 요약

• LPCVD 공정 데이터를 활용하여 공정 불량의 원인을 분석하고, 품질에 영향을 미치는 핵심 변수를 도출하였다.
• 머신러닝 모델과 Feature Importance, SHAP 분석을 통해 주요 공정 변수를 선정하고 공정 최적화 방향을 제시하였다.
• 최종적으로 공정 관리 기준을 개선하여 수율 향상을 목표로 분석을 수행하였다.

잘한 점

• 단순히 예측 모델을 만드는 것에서 끝나지 않고 SHAP을 활용하여 결과를 해석한 점이 좋았다.
• Feature Importance와 SHAP을 함께 활용하여 실제 공정 개선으로 연결하려는 접근이 인상적이었다.
• 분석 결과를 현장에서 활용 가능한 관리 기준으로 연결하려는 점이 실무적인 프로젝트라고 느껴졌다.

---

3팀 - 반도체 전공정 데이터 기반 웨이퍼 불량 예측

분석 내용 요약

• 반도체 전공정 데이터를 활용하여 웨이퍼 불량을 예측하는 머신러닝 모델을 구축하였다.
• 공정별 데이터를 전처리하고 결측치를 처리한 뒤 다양한 모델을 비교하여 최적 모델을 선정하였다.
• 불량 발생 가능성을 사전에 예측하여 공정 품질 관리에 활용하는 것을 목표로 분석을 진행하였다.

잘한 점

• 프로젝트 목적과 문제 정의가 명확하여 전체 분석 흐름이 이해하기 쉬웠다.
• 데이터 전처리 과정을 체계적으로 정리하여 신뢰성을 높인 점이 좋았다.
• 실제 생산 공정에서 불량을 사전에 예측한다는 활용 목적이 분명하게 드러났다.

---

4팀 - IoT 센서 기반 제조설비 정비 필요 여부 분류모델 개발

분석 내용 요약

• IoT 센서 데이터를 이용하여 설비의 정비 필요 여부를 예측하는 분류 모델을 개발하였다.
• 데이터 누수 가능성이 있는 변수를 검증하여 제외하고, 실제 예측 가능한 정보만을 사용하여 모델을 구축하였다.
• 예지보전(Predictive Maintenance) 관점에서 설비 이상을 조기에 탐지하는 방안을 제시하였다.

잘한 점

• 데이터 누수(Data Leakage)를 직접 검증하여 변수 선택에 반영한 점이 매우 인상적이었다.
• 단순한 성능 향상보다 실제 운영 환경에서 사용할 수 있는 모델을 만드는 데 집중한 점이 좋았다.
• 예지보전이라는 스마트팩토리 분야의 실무 문제를 데이터 분석으로 해결하려는 접근이 돋보였다.

---

오벤져스팀 - QbD 기반 제조 품질 요인 분석 및 평균 용출률 예측

분석 내용 요약

• 제약 제조 공정 데이터를 활용하여 평균 용출률을 예측하고 품질에 영향을 주는 핵심 요인을 분석하였다.
• 원자재(CMA), 공정 변수(CPP), 시계열 데이터를 통합하여 다양한 Feature Engineering을 수행하였다.
• 단계별 모델링을 통해 성능을 비교하고 품질 예측 성능 향상을 위한 최적의 Feature를 선정하였다.

잘한 점

• QbD(Quality by Design) 개념을 프로젝트에 잘 반영하여 도메인 이해도가 높아 보였다.
• Feature Engineering 과정을 매우 체계적으로 수행한 점이 인상적이었다.
• 모델 성능 비교 과정을 단계별로 제시하여 어떤 과정이 성능 향상에 기여했는지 쉽게 이해할 수 있었다.