[PLM컨퍼런스2020_Q&A]AI of Semiconductor Manufacturing - SK하이닉스 송창록 부사장
페이지 정보
댓글 0건 조회 6,480회 작성일 2020-10-06 11:56본문
Q) BIZ 트랜스폼이나 옴티마이즈에서 디지탈로 전환이 필요한건 어찌보면 당연하다고 생각합니다. 아날로그적인 부분이 완전히 배제될수는 없을텐데.. 아날로그 회사의 관점에서는 디지탈트랜스폼/옴티마이즈를 적절히 아날로그를 연계하려면,, 어떤방식의 접근법이 좋을지 궁금합니다.
A) Product 관점으로 접근하는 경우를 가정합니다. 아날로그 제품에 디지털 기술을 결합하고자 할 때, 가장 중요한 것은 Customer Experience입니다. 기존 아날로그를 제품을 사용하는 고객이 그 아날로그 제품에 접근할 때부터 사용 후 폐기까지의 Experience 중에서 Digital 결합하여 이전과 다른 차별적인 경험을 느끼게 할 수 있는 Key Point를 찾아내는 거지요. 예를 들어 기타(악기)를 만드는 Fender란 회사는 Tuning을 Web에서 할 수 있게 'Tune'이라는 Web Page를 만들었습니다. 이전 경험으로는 Tuning을 하려면, 피리를 불던가 피아노 건반에 맞춰야 했지요. 그걸 Web을 바꾼 겁니다. Web은 당연히 Mobile App도 됩니다.
Q) 아까 말씀 중에 데이터사이언스팀에 150명 정도 있다고 들은 것 같은데, 혹시 하이닉스 내에 AI 알고리즘 등을 다루는 SW 팀이 따로 있는지, 있다면 규모가 어느정돈지 궁금합니다
A) 인원 거의 전부가 알고리즘을 만들 줄 아는 엔지니어입니다.
Q) AI는 초기학습이 중요할 것으로 생각됩니다. 사람보다 세뇌가 쉽게 될 것 같습니다. 예를 들어 히틀러가 좋은 사람이라고 학습시키면 AI는 그대로 인식한다고 들었습니다.
A) 데이터 Set을 그대로 따릅니다. 데이터 Set 바깥을 AI는 알 수 없습니다. 인간도 마찬가지입니다.
Q) 제조, 품질에서 AI와 정보도 중요하지만, 서비스에서도 사전 예측 및 진단, 고장 대응 하는 것도 매우 중요해지고, 영역이 확대되는 거 같습니다. 비포서비스와 서비타이제이션 관점에서 발전과 어떻게 준비하면 좋을 지 의견을 듣고 싶습니다.
A) 서비스는 서비스 들어가지 전에 인지/진단/예측을 해야 합니다. Wear-out을 예측하고, Breakdown을 인지하려면 데이터를 모니터링하고 있어야 합니다. Wear-out과 Breakdown과 상관관계가 있는 Y-Parameter를 정의하고 Data로 확보하는게 제일 중요합니다. 데이터가 없다면, 어떤 것도 미리 알 수 없습니다. 서비타이제이션은 실행이기 때문에 고객과 어떻게 커뮤니케이션하고 접근할 지가 관건인데요. 다양한 디지털 기술을 적절하게 조합하여 적용할 수 있습니다.
Q) 현재 AI는 얼마나 발전되어왔고, 시장에 적용되는 사례가 어느 정도인지요?
A) 이미 시장에 적용되어 있는 것은 NLP와 Face Recognition 등이 있습니다. Image와 Language는 AI가 그래도 잘 적용되는 영역입니다.
Q) 좀 늦어 버렸더니 앞부분을 못들었습니다, 모든 엔지니어가 ai 가지고 놀수 있는 플랫폼이 있나요??
A) Public Cloud 업체는 제공하고 있습니다. 자사는 Public Cloud를 쓸 수가 없어서 Private Cloud에 구축했습니다.
Q) SK하이닉스에서 활용하는 AI는 반도체 제조공정 말고도 경영분석이나 BI 영역에서도 활용되고 있는지 궁금합니다.
A) AI 적용이 가능한 영역에는 적용하고 있습니다.
Q) 도메인 엔지니어와 AI 엑스퍼트 엔지니어와 양쪽(도메인, ai 기술) 모두 동일한 수준의 역량과 지식이 갖추는데 얼마나 오랜 시간이 걸리나요? 각자 오리지널 공학지식과 전문지식이 다르게 출발했고, 다른 산업에서 일했기 때문에 쉽지는 않을듯 한데요.. 하이닉스에서는 이들의 두가지 역량이 모두 레벨업 되도록 하는데 어떤 노력을 하였는지도 궁금합니다.
A) Expert Data Scientist는 자기가 알파에서 오메가까지 다 할 수 있습니다. 대신 Domain Knowledge가 없어서 과제를 정의하지는 못합니다. Domain Expert는 과제는 정의할 수 있지만 Data Science 지식이 없어서 실행을 못합니다. 이 둘이 하나의 팀처럼 일하는 게 바람직한 모습입니다. 실패도 하고 Iteration합니다. 아직은 Domain 과제가 고난이도 Data Science 과제가 아닌 경우가 많습니다. 하이닉스의 사례는 다음을 참조하세요. https://news.skhynix.co.kr/2290
Q) 현재는 AI 기술의 과도기라고 생각합니다. 따라서, 현재는 이를 개발하고 유지보수하는 비용이 실제 기술을 통해 얻는 이익보다 크다고 생각하는데요. SK하이닉스는 실제로 회사에 이익실현을 하는 단계가 언제쯤 온다고 생각하시는지 궁금합니다.
A) 분명하게 Value가 창출되는 과제를 중심으로 하고 있습니다.
Q) AI/프로그램개발/현업 Process 분석등을 모두 할 수 있는 "양손잡이"인재를 양성하기 위해서는 전문적인 교육체계가 필요할텐데, DT인재 양성을 위해 어떠한 활동을 하시는지 궁금합니다.
A) 대학에 특별 과정을 개설하고 단기 집중 교육을 시키고 있습니다. 아울러 Data Analytics 해커톤을 일반 엔지니어를 대상으로 3년 째 진행하고 있습니다. 다음을 참조하세요. https://news.skhynix.co.kr/2235
Q) 반도체 산업에서 지능화 솔루션(Big Data, AI, CPS, IIoT, AR/VR 등), 자동제어를 위한 센서, 로봇을 도입하는 디지털 공장 또는 인공지능으로 실시간 모니터링 분석 및 판단하고 그 결과를 사람이 최종적으로 의사 결정하며 신속하게 조치하는 고도화된 스마트 공장 지원에 어떻게 활용이 되고 있는지요?
A) 참조하세요. https://byline.network/2019/10/30-66/ , https://blog.naver.com/hscross/221696244017
Q) SK 하이닉스의 딥체인지 방향에 대해서 좋은 내용 감사합니다. 다들 변해야하는 필요성은 이해는 하고 계실 것같은데요. 기존에 제조중심 회사에서 소프트웨어 중심으로 변환을 하시는데 리더분들의 저항이 많이 있으실 것으로 예상이 됩니다. SK하이닉스에서는 임원분들, AI를 이해하는 매니저를 육성하기 위해서 기술적인 지원외에 이루어지고 있는 활동이 있나요?
A) SK하이닉스는 이미 그 이전에도 Factory Automation이 많이 진행이 되어 경영과 생산이 Software를 통해 제어되고 있어서 임원을 비롯한 리더들의 저항은 없습니다. DT와 AI에 대한 이해를 높이기 위해 임원과 리더를 위한 Literacy 교육을 매년 진행합니다.
Q) SK하이닉스에서는 Data Scientist를 양성하기 위해 교육 운영, 인재 양성을 어떻게 하고 있는지 문의드립니다.
A) Expert Data Scientist는 고용해야 하구요. Citizen Data Scientist는 대학에 특별 과정을 개설하여 핵심 인재를 선발하여 교육합니다. 교육 후 과제 수행을 반드시 해서 배운 것을 직접 실행해보게 합니다.
Q) 시스템은 플랫폼이라는 개념은 개인 혹은 사용자가 직접 시스템을 만들 수 있는 구조를 말하는 건지요?
A) 누구나 Algorithm이나 S/W를 만들어서 공급할 수 있고, 누구나 사내 Market에서 구해서 사용할 수 있기 때문입니다.
Q) 공정에 대한 시뮬레이션에서의 기술과 함께 AI기술을 포함한다고 하면 디지털트윈의 구현이 가능한 부분일 것입니다. 이 부분에 대한 기술 적용 단계가 궁금합니다.
A) 외형을 3D나 VR로 뜨는 것은 정보가 주어지면 할 수 있습니다. 외형과 결합해야 할 메타정보와 데이터가 저장되어 축적되었냐가 선제적으로 중요합니다. 메타정보와 데이터를 축적하여 Value를 창출하는 단계입니다.
Q) 플랫폼 구축후 생산성 향상이라든지 인력구조의 변화가 있을것으로 예상이 되는데요. 혹시 기존 인력의 업무 변경이라던지 등의 경험을 말씀해주시면 감사하겠습니다.
A) AI 품질 매니저라는 새로운 직업이 탄생하였습니다.
Q) SK하이닉스 인공지능기술 적용시 주요이슈와 해결방법이 궁금합니다.
A) AI를 연속 공정에 도입한 후 AI Malfunction이 발생할 때, 재학습해서 다시 Depoly하는 Lead Time을 줄이는 것입니다. System Engineering과 결합하여 Platform에서 동작하는 Autonomous AI로 극복하였습니다.
Q) 데이터 분석에 앞서 데이터의 질이 우선되는 이슈일 것 같습니다. 데이터의 질을 높이기 위한 방안은 어떠한 것들을 했는지 궁금합니다. 그리고 앞으로의 계획과 현 하이닉스의 데이터 질 수준에 대해서도 궁금합니다.
A) 좋은 품질의 Data가 가장 중요한 자산입니다. 반도체 산업은 Data에 의해 좌우됩니다. Data의 품질은 Data를 원천에서 다루는 현업 Domain Expert들이 장비와 센서와 측정 도구들을 얼마나 안정되고 정밀하고 정확하게 다루냐에 의해 결정됩니다.
Q) API마켓이라 하셨는데 여러 API를 어떻게 효율적을 관리하시나요?
A) 숙제입니다. Public Cloud에 있는 Solution등을 참조합니다.
Q) 하이닉스의 사례에서 양손잡이 (도메인 전문가 + 데이터 전문가) 전문가들이 활동하는 유형이 궁금합니다. 직접 활동하는 부분과 전사 차원에서의 지원 부분의 경계가 어떻게 되나요?
A) 참조하세요. https://news.skhynix.co.kr/2290
Q) 좋은 말씀과 정보 감사합니다. 앞으로 다가올 새로운 연구원이나, 직원, 인재들에 대해 가장 중요하게 생각하시는 부분과 준비해야 할 부분을 알고 싶습니다.
A) SW와 AI 또는 Data Science는 이제 영어와 마찬가지로 언어입니다. 영어를 모르면 영어로 된 글과 책을 못 읽듯이, SW와 AI를 모르면 SW와 AI로 되어 있는 Platform에서 아무런 일도 하지 못합니다. Web 표준인 HTML이 처음 나왔을 때는 블로그를 하려면 언어를 배워 한줄 한 줄 Typing했지만, 지금은 Icon으로 Lego Block처럼 끌어다 놓기만 하면 됩니다. 이젠 No-Code 형태로 제공되기 때문에 HTML 언어를 몰라도 Blogging을 할 수 있습니다. SW와 AI도 곧 그런 시대가 옵니다. 따라서 앞으로모르는 것을 잘 해야 합니다. 그것은 인간만이 할 수 있습니다.
발표자료 다운로드 안내 https://www.cadgraphics.co.kr/newsview.php?pages=lecture&sub=lecture01&catecode=7&num=67811
발표 동영상 다시보기 https://youtu.be/Z8r81PHRy0I
댓글목록
등록된 댓글이 없습니다.