문장 스크랩

---

복사

---

공유

1. "LG전자"에 대한 지원동기에 대하여 구체적으로 기술하여 주십시오. LG전자 생산기술원의 기술적 혁신과 디지털 트랜스포메이션을 선도하는 역할에 큰 관심을 갖게 되었습니다. 특히, 구글의 안토스를 기반으로 한 ‘마빈 클라우드’ 플랫폼의 성공적인 구축을 보며, 이와 같은 기술 혁신에 참여하고 싶다는 강한 동기를 갖게 되었습니다. 저의 전문성과 마빈 클라우드 플랫폼을 활용하여 AI 기반의 설비 고장 예지 기술 개발에 기여하고자 지원하였습니다. 4년간 대학생활 동안 산업공학과 AI 지식의 융합을 추구하였습니다. 통계와 품질, 프로그래밍의 기초이론을 다졌으며, 6시그마와 빅데이터 분석기사 자격증을 취득하며 전문성을 높였습니다. "Computer Vision 분야의 연구 역량" A 연구원에서는 TensorFlow를 활용하여 Multi-label 기법을 활용한 구조물 결함 분류 모델을 개발하였습니다. 건물 균열 이미지를 활용하여 성능을 0.895로 크게 향상시켰습니다. 이러한 성과를 바탕으로 한국통신학회에 논문을 성공적으로 투고하였습니다. B 연구원에서는 PyTorch를 활용하여 작업자의 부하를 평가하는 모델 개발 프로젝트를 수행하였습니다. 카메라 영상에서 추출한 관절의 2차원 좌표를 MotionBERT 모델을 통해 3차원으로 변환하는 방식을 선택하여, 실제 현장에서의 문제 해결 능력을 키웠습니다. "설비 데이터 분석과 불량 예측" A 프로젝트에서는 공장 내 로봇 용접 설비 데이터를 수집하고, 파이썬의 판다스등 라이브러리를 활용하여 설비의 이상 여부를 분석하였습니다. 이를 통해 설비 데이터의 수집 체계를 구축하고, 분석하는 능력을 키웠습니다. 또한, 압연공정에서의 SCALE 불량 예측 프로젝트를 통해 공정 데이터의 시각화와 머신러닝 모델을 활용한 불량 예측 능력을 향상시켰습니다. 특히, 0.93의 높은 정확도를 달성하여 데이터 기반의 문제 해결 능력을 입증하였습니다. 이러한 제 전문성과 경험을 바탕으로 LG전자 생산기술원의 데이터 사이언스 및 고장 예지 기술 개발 분야에 기여하고 싶습니다 2. 본인이 지원한 직무관련 향후 계획에 대하여 본인이 지원한 직무와 관련된 본인의 향후 미래 계획에 대해 구체적으로 기술해주시기 바랍니다. "데이터와 기술로 생산 효율성을 혁신하는 연구자" LG 생산기술원에서 현재 사용중인 빅데이터 Tool에 대한 역량을 키워 대용량 데이터 처리의 효율성을 극대화하겠습니다. 이를 위해 내부 교육과 외부 세미나를 통한 지속적인 학습을 이어나가겠습니다. 또한 산업공학의 시스템적 접근법을 활용하여 공정의 특성과 설비 데이터의 상호작용을 분석하겠습니다. 그리고 최근 주목받는 트랜스포머 기반의 시계열 분석 기법을 활용하여, 설비의 작동 패턴과 이상 패턴을 분류하는 딥러닝 모델의 연구와 개발에 주력하겠습니다. "실시간 모니터링으로 생산 효율과 경쟁력 강화 전문가" 개발한 모델을 실시간 모니터링 시스템에 통합하여 설비의 고장을 사전에 예측하고 대응하겠습니다. 더하여 설비의 작동 데이터를 기반으로 최적의 작동 조건을 연구하며, 현장 피드백을 받아 모델을 지속적으로 개선하겠습니다. 이를 통해 생산 효율성을 크게 향상시키고, 불필요한 유지보수 비용을 절감하여 생산기술원의 경쟁력을 강화하겠습니다 3. 프로젝트 경험 (최선을 다해 참여했던 학교 수업의 팀플레이 과제, 경진대회, 공모전 등 가장 기억에 남고 많은 것을 배운 프로젝트에 대해 기술하세요. 프로젝트 제목/기간/참여 인원/본인의 역할/내용과 결과/본인의 역할을 반드시 포함해주시고, 최초 프로젝트 목표, 목표 대비 달성 수준과 본인이 배우고 느낀 점을 포함하면 좋습니다.) "다중라벨 분류 기법을 통한 구조물 결함 분류 모델 개발 및 학술논문 투고" A 연구원 인턴으로 2개월간 팀원 1명과 함께 C 인공지능 모델을 개발하였습니다. 저의 주요 역할은 ‘모델의 개발과 최적화’였습니다. 건축물의 안전성에 대한 사회적 관심이 높아지면서, 구조물의 다양한 결함을 신속하게 파악하는 기술의 필요성이 대두되었습니다. 이에 균열, 박리, 철근 노출 등의 다양한 구조물 결함을 동시에 분류할 수 있는 딥러닝 모델 개발을 목표로 하였습니다. 초기 데이터 분석 과정에서, 여러 결함이 동시에 나타나는 경우를 발견하였습니다. 이를 해결하기 위해 다중라벨 분류 기법을 도입하였고, 최신 연구 논문들을 참고하여 모델을 개선하였습니다. 특히, Asymmetric Loss와 DenseNet 기법의 적용을 통해 초기 목표로 설정한 0.8의 분류 성능을 크게 초과하여 0.895를 달성하였습니다. 이 결과는 초기 목표 대비 약 111.9의 성과를 보여줍니다. 이러한 성과를 바탕으로 A학회에 학술논문을 성공적으로 투고하였습니다. 모델의 분류 성능이 기대치에 못 미쳤을 때, 단순히 문제를 포기하지 않고 오분류한 이미지를 시각화하는 피드백 과정을 도입하여 문제점을 파악하였습니다. 이를 통해 데이터의 특성을 깊게 이해하고, 해당 특성에 맞는 최적의 기법을 적용하는 역량을 길렀습니다. 또한, 새로운 기법을 적용하기 전에 관련된 다양한 논문을 분석하였습니다. 이를 통해 최신의 연구 동향을 파악하고, 우리 모델에 가장 적합한 기법을 선택하여 적용하였습니다. 이 과정에서 지속적인 학습의 중요성과 최신 연구를 우리 문제에 어떻게 적용하는지에 대한 역량을 길렀습니다. 이 경험은 저에게 LG전자 생산기술원의 엔지니어로서 필요한 딥러닝 모델 개발 및 모델 최적화 역량을 갖추게 해 주었습니다. 이를 통해 복잡한 공정 데이터를 분석하고, 최적의 모델을 개발하는 데 기여하겠습니다.