1. 삼성전자를 지원한 이유와 입사 후 회사에서 이루고 싶은 꿈을 기술하십시오
[불량예측 프로젝트 경험을 활용한 차세대 PM9D3a 평가분석기법 개발]
산업공학 전공지식과 인공지능 연구원에서의 인턴경험, 그리고 불량 예측 프로젝트를 통해 얻은 경험을 활용하여 삼성전자의 PCIe 5.0 SSD인 ‘PM9D3a’ 양산수율 향상에 기여하고자 지원하였습니다. 나아가 이번 FMS 2023에서 선보인 ‘PM1743’ SSD와 같은 차세대 제품의 품질 수준 확보를 위해 머신러닝을 활용한 불량 인자 발굴 모델 및 다양한 데이터 분석기법을 개발하고 싶습니다. 4년간 대학생활 동안 산업공학과 AI 지식의 융합을 추구하였습니다. 품질관리,산업공학 프로그래밍,인공지능시스템 등의 수업을 이수하며 기초를 다졌습니다. 더불어, 6시그마 GB 및 빅데이터분석기사 자격증을 취득하며 전문성을 높였습니다. 연구원에서는 구조물 결함 분류 모델 개발 프로젝트를 수행했습니다. 모델 내 하이퍼파라미터를 최적화하고, 모델이 오분류한 이미지를 시각화하는 피드백 과정을 반복하였습니다. 그 결과 학술논문 투고하는 성과를 얻었습니다. 또한, 후판 공정 내 SCALE 불량 예측 프로젝트를 수행하여 파생변수 생성, 통계적 기법을 활용해 불량 예측 93% 정확도를 얻었습니다. 이처럼 제가 갖춰온 평가분석 엔지니어의 역량을 바탕으로 제품 내 불량인자를 발굴하고, 분석하는 기법을 개발하여 삼성전자 메모리 제품의 양산수율 99% 달성에 앞장서겠습니다.
2. 본인의 성장과정을 간략히 기술하되 현재의 자신에게 가장 큰 영향을 끼친 사건, 인물 등을 포함하여 기술하시기 바랍니다. (※작품속 가상인물도 가능)
대학교의 전공 수업을 통해 데이터분석의 가치를 인지하게 되었습니다. 고등학교 때는 숫자나 그래프를 단순한 통계정보로만 인식했습니다. 그러나 공정 내의 센서 데이터를 분석하여 불량품의 원인을 예측하는 사례를 경험하며, 데이터가 어떻게 현실 문제의 해결책이 될 수 있는지 몸소 느꼈습니다. 이러한 경험은 제게 데이터 분석에 대한 관심과 열정을 심어주었습니다. [빅데이터 아카데미를 통한 협업 및 데이터 기반 문제 해결 능력 향상] ‘A아카데미’는 그 관심을 바탕으로 한 첫번째 도전이자, 데이터 분석에 대한 기술적 자신감을 얻을 수 있었던 중요한 경험입니다. 3개월의 기간 동안 2번의 팀 프로젝트를 진행했으며, 그중 빅데이터 분석 프로젝트에서 9팀 중 1등의 성과를 얻었습니다. 저희 팀은 척추병원 환자 데이터를 활용하여 병원의 수익성 향상을 목표로 설정했습니다. 가장 초점을 둔 부분은 단순한 데이터 분석을 넘어, 데이터를 실질적 가치로 전환할 수 있을지에 대한 고민이었습니다. 이 과정에서 다른 전공과 배경을 가진 팀원들의 이견을 조율하고 역할을 분담하여, 모델 개발 코드 구현과 같은 기술적인 문제뿐만 아니라 전략적인 문제들도 함께 해결해 나갔습니다. 저는 그중에서 병원을 대상으로 한 ‘수술성공 여부’ 예측 모델 개발을 맡았습니다. 대부분의 데이터 피처가 범주형인 특성을 고려하여 Catboost 모델을 사용하였습니다. 또한, 목표 변수가 불균형하게 분포하고 있어 SMOTE 알고리즘을 적용하여 모델의 전반적인 예측 성능을 향상시켰습니다. 해당 프로젝트를 통해 팀원과의 협업 능력을 키웠으며, 데이터로부터 가치를 추출하는 전략적 사고력을 강화하였습니다. [6개월간의 현장실습으로 체득한 공학적 문제해결 역량] 앞선 프로젝트를 통한 성공 경험을 바탕으로, 실제 현장에서 발생하는 문제점을 해결하고자 B연구원의 현장실습에 지원하여 도전을 이어나갔습니다. 실제 공장 현장 작업자의 부하를 평가하는 모델 개발 프로젝트를 통해 이론적으로 배운 지식을 실제 현장에 적용하는 경험을 하였습니다. 이 과정에서 6개월간 주 1회 연구 프로젝트 발표 및 회의를 진행하였고, 상급자에게 성과를 보고하고 피드백을 반영하는 시간을 통해 공학적 사고와 문제 해결 능력을 더욱 향상할 수 있었습니다. 특히 작업자의 부하를 측정 모델을 만들기 위해 인체의 3차원 관절 좌표가 필요하였습니다. 해당 프로젝트는 실제 현장 적용 가능성을 최우선 목표로 하였기에 저는 값비싼 센서를 부착하여 관절의 정확한 3차원 좌표를 얻는 대신, 카메라 영상에서 관절의 2차원 좌표를 추출하고 MotionBERT 모델을 통해 3차원 좌표로 변환하는 방식을 선택했습니다. 위 경험을 통해 기존의 방법론에 얽매이지 않고, 실제 현장에서 가장 효율적이고 경제적인 해결책을 개발하는 능력을 갖추게 되었습니다. 앞서 기술한 데이터분석 능력과 현장에서의 문제해결 능력을 바탕으로 삼성전자 조직발전에 기여할 수 있는 신입 엔지니어가 되겠습니다.
3. 최근 사회이슈 중 중요하다고 생각되는 한가지를 선택하고 이에 관한 자신의 견해를 기술해 주시기 바랍니다.
[삼성전자의 HBM 전략과 글로벌 AI 반도체 시장]
ChatGPT를 시작으로 구글의 바드, 메타의 라마 등, 글로벌 빅테크 기업들의 생성형 AI 개발 경쟁이 과열되고 있습니다. 이들의 AI 모델은 연산 능력을 극대화하기 위해 HBM과 같은 고대역폭 메모리에 크게 의존하고 있어, HBM의 역할과 중요성은 더욱 부각되고 있습니다. HBM은 높은 대역폭을 제공하며, 저전력 소모와 빠른 데이터 액세스의 장점이 있습니다. 시장 조사업체 가트너의 보고에 따르면, HBM 시장은 2027년까지 연평균 36% 이상의 성장률로 51억7700만 달러(약 6조8000억 원) 규모로 확대될 것으로 예측됩니다. 또한, HBM은 DDR4에 비해 약 6배 더 비싸므로 수익성도 높습니다. 삼성전자는 이런 HBM 시장의 성장 가능성과 높은 수익성을 인식하고, 주도적인 역할을 하기 위한 다양한 전략을 진행 중입니다. 올해 하반기에는 기술 혁신을 위해 HBM3P라는 확장 버전을 공개할 예정이며, 연산이 가능한 차세대 HBM-PIM 제품의 개발도 계획하고 있습니다. 최근에는 엔비디아와의 품질 테스트를 성공적으로 마무리하고, AMD와 공급 계약도 체결하여 글로벌 고객사 확보의 기반을 다졌습니다. 그렇지만, HBM의 활용 범위는 생성형 AI뿐만 아니라 자율주행, 데이터센터 등 광범위한 분야에 걸쳐 있습니다. 엔비디아와 AMD와 같은 현재의 주요 고객사들 외에도, 아마존이나 테슬라 같은 자체 칩 개발 기업들도 잠재적인 고객사로 떠오르고 있습니다. 특히, 테슬라는 슈퍼컴퓨터 도조를 위한 자체 개발 AI 반도체 ‘D1’에 HBM을 탑재할 계획이라고 합니다. 이러한 흐름을 고려할 때, 삼성전자는 HBM의 활용 범위 확장을 전망하고, 다양한 기업들과의 파트너십을 강화해야 합니다. 기존의 공급 구조에만 의존하는 것이 아니라, 다양한 고객사 확보를 위한 전략적 행동이 필요하다고 봅니다. 이를 통해 HBM 시장에서의 경쟁력을 유지하고 글로벌 AI 반도체 시장에서의 입지를 확고히 할 것입니다.
4, 지원한 직무 관련 본인이 갖고 있는 전문지식/경험(심화전공, 프로젝트, 논문, 공모전 등)을 작성하고, 이를 바탕으로 본인이 지원 직무에 적합한 사유를 구체적으로 서술해 주시기 바랍니다.
[머신러닝 데이터분석 기법을 통한 구조물 결함 분류 모델 개발 및 C 학회 논문 투고]
A연구원 인턴으로 참여한 ‘Multi-label 기법을 활용한 구조물 결함 분류 모델 개발’ 프로젝트를 통해 논문을 투고하였고, 현업관점에서의 품질 데이터 해석 능력을 키웠습니다. 국내에서 30년 이상 노후화된 건축물의 수가 증가하면서, 건물의 안전 점검에 대한 중요성이 강조되고 있습니다. 그러나 기존의 연구는 주로 균열 탐지에 초점을 맞추었습니다. 이러한 한계점을 인식하고 균열뿐만 아니라 박리, 철근 노출 등의 다양한 구조물 결함을 포괄적으로 분류할 수 있는 딥러닝 모델 개발을 목표로 설정하였습니다. 이를 통해 건물의 전반적인 위험도를 조기에 파악하여 안전사고를 예방하고자 하였습니다. 초기에 ‘AI-Hub’에서 제공하는 건물 균열 이미지를 활용하여 ‘Single-label’ 분류 모델을 개발하였습니다. CNN 기반 Pretrained 모델을 활용하여 Transfer Learning을 시도하였으나, 분류 성능이 0.61로 기대에 못 미쳤습니다. 모델이 오분류한 결과를 분석하니, 많은 이미지에서 여러 결함이 동시에 나타나는 것을 발견했습니다. 이를 근거로 ‘Multi-label’ 분류 모델로의 전환을 결정하였습니다. 모델 성능 향상을 위해 Data Augmentation, Threshold 최적화와 함께 ICCV, CVPR에서 발표한 Asymmetric Loss, DenseNet 논문 등을 참고하였습니다. 이러한 논문에서 얻은 지식과 기법의 적용은 모델의 성능 향상에 큰 도움이 되었습니다. 최종적으로 모델의 성능은 0.895로 크게 향상되었고, 이 결과를 바탕으로 한국통신학회에 논문을 성공적으로 투고하였습니다. 이 경험은 저에게 삼성전자의 평가분석 엔지니어로서 필요한 품질 데이터의 분석 및 개선 능력을 갖추게 해 주었습니다. 이를 통해 다양한 품질 문제점을 데이터를 기반으로 파악하고, 최적의 해결 전략을 제시하는 데 기여할 것이라 확신합니다.
