Challenge
복합수지 생산 과정에서는 생산·물성·자재 등 다양한 소스가 분산되어 중복과 오류값이 다수 발생해 데이터 품질이 저하됩니다. 특히, 레시피 경우의 수가 많아 실험에 소요되는 시간과 비용 부담이 증가하고, 필요한 라벨 수 확보에도 어려움이 존재합니다. 새로운 원재료를 평가할 때 기존 지표와의 편차가 커지며 AI 모델의 신뢰도가 하락하고, 공장 현장의 피드백을 반영해 지속적인 개선이 이루어질 수 있는 사이클 구축이 필요합니다.
Approach
데이터 무결성을 확보하기 위해 체크리스트 코드를 활용해 물성 품질을 관리하고, 복잡한 레시피 변수들을 통합하여 실험 횟수를 줄임으로써 필요한 라벨 수도 함께 감소시킵니다. 또한, 상황별 테스트 시나리오를 수립해 각 조건에서의 정확도 편차를 파악함으로써 AI 모델의 신뢰성을 높이고, 맞춤형 대시보드를 제공해 공장 현장의 의견을 체계적으로 수렴 가능한 체계를 구축합니다.
Value Delivered
고품질 데이터를 확보하고 AI 모델의 예측 정확성을 향상합니다. 라벨 수 최적화로 레시피 개발에 소요되는 시간과 비용을 절감하고, 상황별 신뢰도 기준을 명확히 세우며 모델의 활용 범위를 구체화합니다. 또한, 피드백 기반 개선 사이클을 마련해 공정 최적화와 지속적인 생산성 향상 프로세스를 만듭니다.
