TIL_251217

Today I learned

 

 

1. 대시보드 프로젝트 진행(~12.17)

 

- 프로젝트 발표 및 피드백

우리 발표의 특징

• 데이터 구조에 대한 정확한 문제 인식
  • 원 본 데이터가 Lot 단위인 시계열 데이터
  • 단순 batch 기준으로 통합하면 샘플 수가 매우 적어 통계적인 의미가 약해짐
    • 도메인 지식 기반의 구간 분할: Ramp-up/Steady/Ramp-down
      • 통계적 유의성을 챙김
      • 공정 의미를 보존한 분할
      • 실제 설비 동작과 일치하며, 제조 공정 엔지니어가 납득 가능한 구조
      • 구간화 이후 통계적 유의성이 생겼다는 점을 증명
  • 시계열 패턴을 고려한 Feature Engineering
    • 단순 평균/최대/최소를 벗어나
    • 변화랑, lag feature, rolling 기반 feature 사용
      • Rolling window 크기 선택의 설명이 부족함
        • 왜 3,5,10인지
        • 공정 시간과 어떻게 대응되는지
        • window 변화에 따른 패턴 비교의 시각화 필요함
    • But, rolling feature를 생성했으면 시그마 기반 
  • 모델 선정의 타당성
    • 과도한 시계열 딥러닝 X
    • 설명력+안정성 중심의 RF 모델 선택
    • Boost 모델 사용시 과적합 및 노이즈까지 학습할 우려
  • 대시보드 관점의 명확성
    • 분석용이 아니라 의사결정을 보조하는 대시보드 목적에 부합\
    •  

보완점 

• '최적 공정 시간'이라는 결론의 논리적 방향 수정 필요
  • 시간 자체를 맞춘다기 보단 설비 기준/로트 기준/수량 기준에서 시간이 어떻게 달라져야 하는지를 설명해야 함
  • 초점이 '시간'이 아닌 '기준'이 되어야 함.
• 2 Sigma를 선정했는데, 선정에 대한 설명 보강이 필요함.
  • 3 σ 기준은 너무 민감하고, 2 σ + 한계선 20% 기준일 때 불량 감지가 잘 됨
    • SPC에서 3 σ 기준이 절대 규칙이 아니긴 하다. 공정 특성에 따라 달라질 수 있다.
      • 불량 특성
      • 리스크 허용 수준
      • 알파/베타 오류 관점
• Rolling σ & 전체 σ의 혼동 가능성
  • 일부 그래프가 전체 σ인지, rolling σ인지 혼동될 가능성이 있음
  • 명확한 텍스트/범례/주석 필요
• Rolling Feature와 σ 기반 공정도를 함께 사용하면 개념적인 충돌이 있음
  • SPC의 핵심 전제
    • 각 지점은 독립적인 관측지
    • 분포가 안정 상태
    • 하나의 분포에서 평균과 표준편차를 추정
    • 기준선(±2σ, ±3σ)은 고정 기준
      • 공정이 정상일 때의 분포를 기준으로 이 점이 벗어났는가?
  • Rolling Feature의 전제
    • 데이터는 시간 의존적
    • 이전 값이 현재 값에 영향을 미침
    • 분포가 시간에 따라 변함
    • 평균과 분산은 이동값
      • 지금 시점의 정상 상태는 직전 구간을 기준으로 판단함
• 그래서 왜 두 개념을 함께 못쓰는가?
  
  • 문제1. 기준선이 자기 자신을 포함하게 됨
    • Rolling Feature 사용 시 현재 시점 값이 자기 자신을 포함한 window로 평균/ σ를 계산
    • 이상치가 기준선을 스스로 끌어올리거나 낮춤
      • 즉, 이상치가 이상치로 잡히지 않음
  • 문제 2. 공정 기준이 사라짐
    • SPC에서의 σ: 공정이 정상일 때의 분포
    • Rolling Feature에서의 σ: 최근 n개 값의 상태
      • 서로 다른ㄱ ㅐ념
  • 문제 3. QA/QC 기준이 사라짐
    • QAQC관점에서 '이 공정이 규격을 벗어났는가?', '이 로트는 관리 상태인가?'를 궁금해함
    • Rolling σ는 기준이 계속 움직임 -> 관리 상태라는 개념 자체가 흐려짐