usungusung 님의 블로그

최종프로젝트 피드백 정리 박람회 피드백송 튜터님 (QAQC 1·2기)1) 모델/기술 설명 방식• SHAP, XAI 등은 굳이 어렵게 말하지 말고 → “피처 셀렉션(중요도 낮은 변수 제거)”처럼 업무 언어로 간단히 표현해도 충분.• ASOF JOIN에서 288초 근거 질문: → “도메인에서 제공/확인된 평균 시간차를 기준으로 매칭” 같은 근거 문장은 반드시 준비.2) “군집화” 표현/논리 보완• 지금 방식은 클러스터링 알고리즘이라기보다 **성능군(고/중/저) 나누고 임계치 다르게 둔 ‘룰 기반 분기’**에 가까움.• “임계치가 데이터 늘면 바뀐다”는 점 때문에 → 왜 이 분기/임계 설계가 타당한지(원리/절차/업데이트 방식) 보강 필요.• 특히 D01/G03/F09 같은 설비군 분류는 → “도메인적 공통점(..

최종프로젝트ppt 제작 대시보드 관련 튜터님의 피드백1️⃣ 대시보드 구조에 대한 총평실시간 스트리밍 대시보드가 메인이며, 가장 중요하다고 평가현재 스트림릿 대시보드는→ 공정이 일정 기간(주/월) 수행된 이후, 전체를 검토·요약하는 자동 리포트 성격두 대시보드는 용도가 다르며 상호 보완적실시간: 즉각적인 이상 감지 및 대응분석용: 사후 분석, 성능 검증, 원인 파악👉 이 차이를 발표에서 명확히 설명하는 것이 중요2️⃣ 페이지·탭 구성에 대한 우려KPI / 품질 진단 / 이상치 / 설비 상세 / 불량 원인 등→ 페이지 수가 7~8개로 많아질 수 있음현업 사용자 입장에서는“언제, 어떤 상황에서, 뭘 봐야 하지?”라는 혼란이 생길 수 있음현재 대시보드는 개발자 관점에서 ‘필요할 것 같아서’ 만든 구조👉 기존..

최종프로젝트 준비 PPT 도메인 지식 추가2. 해결 전략: 이중 필터(하이브리드) 구조이 문제를 해결하기 위해 단일 이상탐지 모델이 아닌,확률 기반 + 밀도 기반 판단을 순차적으로 결합한 구조를 설계했다.핵심 아이디어는 다음과 같다.1️⃣ 위험할 가능성은 넓게 잡고2️⃣ 실제로 튀는 경우만 좁게 거른다3. Step 1 — 위험 구역 정의 (Risk Map)첫 단계에서는 **지도학습 모델(XGBoost)**을 사용해전체 공정 데이터 공간을 안전 영역과 위험 영역으로 나눈다.과거 불량 데이터를 학습하여불량 발생 확률이 높은 변수 조합 영역을 식별결과물은 알람이 아니라“이 구역에 들어오면 주의 깊게 보자”라는 위험 지도(Risk Map)📌 중요한 점이 단계에서는 알람을 울리지 않는다.→ 오직 이상 후보군을 ..

n8n 자동화 알람 시스템 설계should_alert 기준으로 IF 조건 통일하기n8n의 IF 노드에 복잡한 조건을 직접 넣기 시작하면조건이 늘어날수록 가독성이 급격히 떨어지고나중에 “왜 이 알람이 울렸지?”를 추적하기가 힘들어진다.그래서 모든 판단은 Code(Set) 노드에서 should_alert: true / false 하나로 결정한다.IF 노드는 오직 이것만 본다. IF $json.should_alert === true 이 구조의 장점:IF 노드가 언제나 동일해서 워크플로우가 읽기 쉬움알람 조건이 바뀌어도 한 노드만 수정하면 됨알람이 발생한 이유를 alert_reason 같은 필드로 같이 남길 수 있음2️⃣ 알람은 “결과”, 판단은 “계산”HTTP Request / DB 조회 → 판단 로직(Cod..

최종프로젝트 튜터님 피드백 • 모델 전략:성능이 안정적으로 나온 4개 장비만 메인 모델로 사용하는 판단은 타당.F1≈0.5 수준 장비는 실사용 비권장, 대시보드에서는 주의 필요 또는 제외 처리 권장.블루 모델은 데이터 밀도·성능 모두 애매하여 버리고 가도 문제 없음.• 분류 모델 기준:24샷 단위 집계 기준 불량률 15% 설정은 합리적.다만 “GPT가 말해서”가 아니라 AQL 표 기반 근거 보완 필요.• Optuna 사용 맥락:Optuna는 새로운 모델이 아니라 하이퍼파라미터 최적화 도구로 사용됨.전체 탐색은 시간 과다 → 이미 성능 좋았던 파라미터 세트만 추려 재실행한 전략은 적절.노이즈 제거 비율을 바꿔가며 F1 최대 지점 선택 → 이후 리콜 보정 흐름은 합리적.최종적으로 Confusion Matr..

Today I learned 1. 최종프로젝트 피드백 1. 현재 팀 접근에 대한 튜터의 전체적 인식지금 접근은 “할 수 있는 건 다 해보자” 쪽으로 너무 확장됨중간보고 단계치고는지표 정의모델 개수판단 기준이 동시에 너무 많이 열려 있음문제는 틀렸다가 아니라**“왜 이걸 해야 하는지에 대한 근거가 아직 정리되지 않았다”**는 점2. AQL 지표형 샘플링 적용에 대한 피드백 (가장 부정적)(1) 핵심 문제AQL은 사람이 수동 검사한 결과를 전제로 한 품질관리 규칙지금 팀 데이터는:모델 예측 결과불량이 극소수FN/FP 비율도 인위적으로 해석 중즉,AQL을 가져왔지만, AQL이 성립하는 전제가 없음(2) 특히 문제로 본 부분1:3 → 5 → 15샷 연속 합격 같은 수치전부 팀에서 만들어낸 숫자왜 5인지, 왜..

Today I learned 1. 최종프로젝트피드백• 10분 로트·5% 불량 기준 폐기근거 부족, 잘못된 가정으로 판단로트 단위 불량 판정 방식 중단• 분석 단위 재정의샷 단위 + 머신별 분리가 가장 타당머신은 독립적 특성 보유 → 머신별 분석 필수이로 인해 10분 단위 집계 불필요해짐• 분류 모델 역할• 샷 단위 정상/불량 분류• 재현율 중심 운영 전략 가능불합격 → 추가 검사 or 폐기혼동행렬 기반 비용/손실 판단• 원인 해석에 대한 입장분류 모델 단계에서는 원인 해석 필수 아님이후 이상탐지 단계에서 원인 분석 수행• 이상탐지 전략• 단일 변수 기반 → 오탐 높음• 권장 접근:변수 그룹화(PCA 기반)Feature Importance 상위 변수 분석두 방법 병행 권장• 연속 불량 점수 누적 → 설비..

Today I learned 1. 최종프로젝트피드백(20260113)1) 전처리 검증(필수 체크리스트)• 전처리 전(B) vs 후(A) 분포 비교기본 통계/분포, 바이올린 등 시각화• 변수 타겟(불량/정상) 관계 확인상관/관계 플롯 등 EDA를 전/후로 반복 비교• 베이스라인 모델로 빠르게 검증튜닝 없이 디폴트로 한 번 돌려서 A/B 성능 비교2) 이상치 처리 관점• 불량 판정이 목표인데 이상치를 다 지우는 건 오히려 이상일 수 있음• 전/후 비교에서 차이가 미미하면:전처리가 무의미하거나이상치를 ‘신호’로 보고 이상탐지로 안고 가는 방향이 더 타당3) 설비별 편차 대응(전처리 타당성)• 제조 데이터는 설비별 편차가 크므로설비 단위 분리 → 로그 → 스케일링 → 설비별 IQR 컷 접근은 합리적• “제품..

Today I learned 1. [라이브세션] 멀티모달, 딥러닝 5회차 1️⃣ 수업 목표CNN 기초부터 전이학습, Object Detection, YOLO까지 학습제조업 **불량 검출(품질 검사)**에 실제로 적용 가능한 컴퓨터 비전 파이프라인 이해2️⃣ 전체 커리큘럼 흐름CNN 기초: MNIST 분류, 합성곱/Pooling/Activation 이해전이학습: VGG16 기반 Cats vs Dogs 분류, Fine-tuning 개념Object Detection:Classification vs Detection 차이Bounding Box, IoU, NMSR-CNN(2-stage) vs YOLO/SSD(1-stage)YOLOv8 실습:COCO pretrained 모델 활용웹캠 실시간 객체 검출제조업 불량 ..

Today I learned 1. 멀티모달 복습문제1️⃣ Object Detection 기본 개념🔹 Object Detection의 목표Bounding Box(위치) + Class(종류) 를 동시에 예측단순 분류(Classification)나 픽셀 단위 분류(Segmentation)와 구분됨✔️ 정답 요약Object Detection = 어디에 + 무엇이 있는지 예측→ Bounding Box + Class2️⃣ TensorFlow – Base Model Freeze🔹 Base Model Freeze란?사전 학습된 모델의 가중치를 학습에서 제외Transfer Learning에서 특징 추출기 역할로 사용 base_model.trainable = False ✔️ 정답 요약trainable = False ..