이미지 전체의 정상 여부와 불량 여부뿐 아니라, 개별 결함의 종류와 위치까지 확인할 수 있는 제조 Vision 흐름이 필요했습니다.

이미지 데이터 분석
→ CNN Baseline / ResNet18 분류
→ 오분류 분석 및 Grad-CAM 확인
→ Faster R-CNN 객체 탐지
→ FastAPI 분류 API와 검출 API
→ Streamlit 결과 확인

• Casting Product Image Data 7,348장 분석
• CNN Baseline과 ResNet18 전이학습 비교
• False Positive와 False Negative 오분류 분석
• NEU Surface Defect 1,800장, 6개 Class 객체 탐지
• 분류와 검출 결과를 독립된 API Endpoint로 제공

• ResNet18 Test Accuracy 97.34%
• DEFECT-class F1 97.92%
• Detection mAP@0.50 0.707726
• Mean Matched IoU 0.752338

고장 Class가 적은 설비 데이터에서 고장 위험을 탐지하고, 예측 결과와 함께 주요 입력 특성, 처리 경로, 실행 이력을 확인할 필요가 있었습니다.

AI4I 설비 Feature
→ PyTorch MLP 고장 예측
→ Rule / SHAP Evidence
→ LangGraph Agent
→ Trace / SQLite History
→ FastAPI / Streamlit

• StandardScaler와 pos_weight를 적용한 PyTorch MLP
• Threshold 비교를 통한 고장 위험 단계 구성
• SHAP Local과 Permutation Importance 기반 Evidence
• LangGraph Routing과 Trace Event
• SQLite 실행 이력과 Streamlit 4개 페이지

• Recall 82.35%
• Agent Evaluation 6/6 PASS
• 실제 OpenAI E2E 시나리오 PASS
• 전체 회귀 테스트 307 passed

불량률, 센서 이상, 라인 성능, 원인 후보처럼 제조 질문마다 필요한 데이터와 분석 기능이 달랐습니다.

사용자 질문
→ Intent
→ Router
→ 제조 Tool
→ Answer + Evidence

• defect_rate
• sensor_anomaly
• line_performance
• quality_issue_candidates
• /agent/query
• /model/sensor-anomaly
• Docker, GitHub Actions, pytest

• 4 Intents
• 4 Tools
• 2 Core POST Endpoints
• 9 핵심 테스트

온도, 진동, 압력, 습도처럼 Scale이 다른 센서값을 동일한 전처리, 학습, 평가, 추론 구조로 연결할 필요가 있었습니다.

센서 데이터
→ 결측치 처리 / Split / StandardScaler
→ 4→8→2→8→4 AutoEncoder
→ Reconstruction Error
→ Validation Threshold
→ CLI / FastAPI

• 데이터 생성과 전처리 모듈
• PyTorch AutoEncoder 구조
• MSE Loss와 Adam 기반 학습/검증 Loop 코드
• Reconstruction Error와 Percentile Threshold
• CLI와 FastAPI /predict 응답 구조

• 합성 Held-out Test Accuracy 95.00%
• Anomaly Recall 96.67%
• F1 Score 86.57%
• Confusion Matrix TN 284, FP 16, FN 2, TP 58
• Validation 데이터로 Threshold를 정하고, 분리된 Test 데이터로 최종 성능 평가

긴 공정거래 의결서에서 질문과 관련된 근거를 찾고, 중복 없이 원문 위치를 추적할 필요가 있었습니다.

공개 의결서 31,877개 청크
→ BM25 / Dense Retrieval
→ Query Classification
→ Weighted Score Fusion / Section Boost
→ Unique and Valid Top-5
→ Grounded Extractive Answer
→ FastAPI / Offline Docker

• 공정거래위원회 공개 의결서 청크 31,877개 처리
• BM25와 다국어 MiniLM Dense Retrieval 결과를 가중 결합
• Query Classification과 Section Boost로 질문 유형별 순위 보정
• 원본 chunk_id 유효성 검사와 중복 없는 Top-5 반환
• 검색된 Top-5 범위 안에서 추출형 Answer와 Evidence Trace 구성
• FastAPI와 외부 네트워크 없는 Docker 실행 환경 구현

• 자체 생성 Silver QA 500개 기준 Recall@5 0.9850
• Silver QA 기준 MRR 0.9810
• Offline Docker HTTP 요청 200/200 PASS
• 평균 응답시간 1.4503초, 최대 13.3913초
• Generation Token F1은 0.0595로 답변 선택과 압축에 개선 필요
• 공식 비공개 Gold Set 평가 결과가 아닌 개발·회귀 검증용 수치

임상 의학 관련 논문 데이터를 활용해 연도에 따른 연구 동향을 살펴보는 전공 팀 프로젝트를 수행했습니다.

팀원별 Web Scraping 코드 구현
→ 분석 주제 논의
→ 임상 의학 선정
→ 연도별 동향 분석
→ WordCloud 시각화
→ 팀 보고서 작성 및 제출

• 임상 의학 관련 논문 데이터의 연도별 동향 분석
• WordCloud 기반 결과 시각화
• 분석 결과를 정리한 팀 보고서 제출