756633_ko-KR

liliconcom

JMP®에서 과거 데이터 모델링을 통한 제품 개발 촉진 (2021-EU-30MP-780)

크로다 수석 연구 과학자 스튜어트 리틀

본 발표에서는 JMP에서 제공하는 몇 가지 도구를 활용하여 에너지 기술 분야의 과거 데이터를 시각화하고 모델링하는 성공적인 사례를 소개합니다. 이렇게 생성된 모델의 결과는 미국 에너지부(DOE) 주도의 합성 계획 수립에 활용되었습니다. 그 결과, 모델의 예측에 부합하는 성능을 보이는 일련의 신소재가 개발되었습니다. 이러한 접근 방식을 통해 제품 성능에 대한 기능적 모델을 성공적으로 개발할 수 있었습니다. 이 모델은 JMP의 시각화 기능과 함께 기업이 보다 체계적인 실험 방식을 도입하는 데 기여했습니다.

자동 생성된 녹취록...

스피커	성적 증명서
스튜어트 리틀	안녕하세요 여러분, 이번 발표에서는 Croda에서 JMP를 활용하여 신제품 개발을 추진하는 방법에 대해 알아보겠습니다.
	오늘 다룰 내용은 다음과 같습니다. 먼저 Croda의 배경과 JMP를 어떻게 활용하고 있는지, 그리고 현재 진행 상황은 어떤지, 마지막으로 해결하고자 하는 문제에 대한 간략한 설명을 드리겠습니다.
	문제를 다뤘으니 이제 JMP로 넘어가서 JMP의 도구와 플랫폼이 어떻게 손쉬운 데이터 탐색과 개발을 가능하게 하는지 살펴보겠습니다.
	구조 성능 모델의 일부.
	그리고 마지막으로 이 연구의 결과와 그 활용 방법에 대해 논의하면서 마무리하겠습니다.
	이러한 연구를 통해 우리는 비즈니스 연구 분야에서 데이터 및 실험 설계(DOE) 기법 활용에 대한 지지를 높일 수 있었습니다.
	우선, 크로다는 어떤 회사인가요? 이 질문은 꽤 자주 받는 질문입니다.
	저희는 기업 간 거래(B2B) 기업이기 때문입니다. 하지만 기업으로서 크로다는 그 뒤에 있는 이름입니다.
	크로다는 고성능 원료와 기술을 다수 보유하고 있으며, 전 세계 다양한 시장에서 가장 크고 성공적인 브랜드들의 기반이 되고 있습니다. 우리는 특수 화학 제품을 개발, 제조 및 판매합니다. 크로다 설립 초기부터 이러한 노력은 계속되어 왔습니다.
	주로 지속 가능한 소재를 사용합니다. 그래서 양털에서 추출한 라놀린을 만드는 것부터 시작했고, 그 지속 가능성을 꾸준히 발전시켜 나가고 있습니다. 작년에 저희는
	당사는 2030년까지 기후, 토지 및 사람에 긍정적인 영향을 미치는 기업이 되겠다는 공개적인 약속을 했으며, 이를 달성하고 세계에서 가장 지속 가능한 혁신적인 원료 공급업체가 되기 위한 노력의 일환으로 유엔 지속가능발전목표(SDG)에 서명했습니다.
	저희가 진출해 있는 시장을 말씀드리자면, 스킨케어와 선케어 제품을 다루는 매우 큰 규모의 퍼스널 케어 사업을 하고 있습니다.
	헤어 케어, 색조 화장품, 그리고 그런 전통적인 개인 위생용품들을 판매합니다. 생명 과학 사업 부문에서는 저희 제품들을 판매하고 있습니다...
	저희 제품과 전문 지식은 고객이 제형과 활성 성분 사용을 최적화하는 데 도움을 드립니다. 가장 최근에는 화이자와 계약을 체결했습니다.
	코로나19 백신 제조에 필요한 원료를 공급하기 위해, 저희 산업화학 사업부는,
	그건…사업의 그 부분이 기술적으로 차별화되고 주로 지속 가능한 소재를 매우 다양한 시장에 공급하는 역할을 담당한다는 뜻입니다. 많은 시장들이…이 슬라이드에 있는 다른 어떤 범주에도 정확히 들어맞지 않아요.
	그리고 마지막으로 저희의 성능 기술 사업 부문이 있습니다. 이 부문 역시 매우 광범위한 분야를 포괄하며, 앞서 언급한 분야들과 유사한 부분이 많습니다.
	저희는 이 모든 분야에 걸쳐 고성능 솔루션을 제공합니다. 특히 오늘은 에너지 기술 사업, 구체적으로 고성능 전자 기기용 배터리 기술에 대해 이야기해 보겠습니다.
	Croda와 JMP의 현재 상황은 이렇습니다. 저희는 JMP를 약 2년 동안 사용해 왔고 내부적으로 많은 관심을 받았습니다. 하지만 이러한 기술들이 실제로 가치가 있다는 확신을 심어주는 데는 어려움이 있었습니다.
	연구를 하기 위해서입니다. 이를 증명하기 위해 저희는 여러 사례 연구를 진행했습니다.
	전반적으로 꽤 성공적이었습니다. 우리는 그 잠재력과 몇 가지 문제점을 보여드렸습니다. 그리고 그 모든 것이 조금 더 큰 규모의 프로젝트로 이어졌고, 오늘 여러분과 이야기 나눌 프로젝트도 그중 하나입니다.
	전기 냉각 시스템의 효율을 어떻게 향상시킬 수 있을까요? 이 프로젝트의 주요 목표는 다음과 같습니다.
	일종의 운송 수단 전동화, 즉 배터리 차량을 말하는 겁니다. 배터리를 어떻게 제대로 관리해야 할까요? 모터가 최적의 상태로 작동하도록 어떻게 보장해야 할까요?
	그럼 어떻게 아무도 감전시키지 않고 그걸 해낸 거죠?
	현재 이러한 장치에는 여러 가지 냉각 방식이 있는데, 고객들은 이러한 방식을 어떻게 개선할 수 있을지 분명히 관심을 갖고 있습니다. 예를 들어 배터리 냉각을 더 잘 제어할수록 배터리 용량이 향상되고 주행 거리가 더 일정해지기 때문입니다.
	그리고 아시다시피, 이것은 매우 중요하고, 광범위하게 유사한 다양한 응용 분야가 많기 때문에, 우리에게 정말 유용한 것은 구축하는 것입니다.
	이러한 유체를 이해하려면 일종의 데이터 기반 모델을 만들어야 하는데, 바로 그 점에서 JMP가 중요한 역할을 합니다. 그렇다면 어떻게 하면 그렇게 할 수 있을까요?
	우선 저희가 살펴본 첫 번째는 현재 사용되는 냉각 방식이 무엇인지였습니다. 이전 세대의 배터리는 주로 공랭식이나 콜드플레이트 냉각 방식을 사용했습니다.
	자동차의 전자 장치는 배터리와는 정반대의 문제를 가지고 있는데, 바로 과열되는 경향이 있다는 것입니다. 그래서 우리는 그 에너지를 식히기 위해 방열판을 사용합니다.
	전기 모터에서는 내부 저항을 최소화하기 위해 유체로 감싸는 경우가 많습니다.
	이 세 가지 경우 모두에서 새롭게 등장하는 대체 냉각 방식은 다음과 같습니다.
	유체에 의존하기 때문에 배터리와 전자 장치는 직접 침수 방식이고, 전기 모터의 경우 유체 흐름을 이용하는 방식이 더 일반적입니다.
	그렇다면 그 유체는 어떤 모습일까요? 당연히 고전압을 다루기 때문에 전기 전도성이 없는 물질이 필요합니다.
	또한 전자 기기에서 열을 빼앗아 올 수 있도록 열전도율이 매우 높아야 합니다.
	그리고 이러한 유체들이 시스템 전체에 순환되어야 하기 때문에 점도가 낮아야 합니다. 따라서 응용 분야 자체에서 발생하는 실질적인 물리적 제약 조건이 존재합니다.
	좀 더 자세히 살펴보면,
	유체의 열 전달 능력은 주로 이 방정식에 기반합니다. 그리고 이 방정식은 우리가 제어할 수 있는 부분이 있다는 것을 알려줍니다.
	유체의 열전달 계수에 의해 결정되는 부분과, 적용 분야의 엔지니어링 솔루션에 의해 제어되는 부분이 있습니다. 냉각 대상 영역은 얼마이고, 냉각하려는 표면의 온도는 얼마입니까?
	하지만 어떤 경우든 효율적인 열 전달을 위해서는 높은 열 전달 계수가 필요하며, 우리가 영향을 줄 수 있는 부분이 바로 그 열 전달 계수이기 때문에 그 부분을 살펴보았습니다.
	열전달 계수는 다음과 같이 정의됩니다.
	이 방정식은 단순화된 방식으로 표현한 것이며, 다른 항들도 있지만 주로 다음과 같습니다.
	이는 밀도, 열전도율, 열용량의 함수이며, 시스템의 점성에도 영향을 받습니다.
	그래서 우리가 특히 관심을 갖고 있는 응용 프로그램을 찾아보면,
	유전체 유체를 최적화하려면 밀도, 열전도율, 열용량을 높여야 하지만, 동시에 점도는 낮춰야 합니다.
	유체의…의.
	그리고 이러한 사항들은 우리가 직면한 엔지니어링 과제들과 상당히 잘 맞아떨어지기 때문에 도움이 됩니다.
	그래서
	그래서 우리가 정말로 하고 싶었던 것은 목표가 무엇인지 아는 것이었습니다.
	그리고 우리는 유전체 유체로서 구조와 제품 성능 사이의 관계가 무엇인지 정말로 이해하고 싶었습니다.
	그래서 처음에는 상당히 전통적인 방식으로 진행하여 많은 에스테르와 기타 여러 물질의 물리적 특성을 측정하는 대규모 연구를 시작했습니다.
	그리고 나서 우리는 그것을 보고 살펴보았을 때, '이런 데이터가 존재하니, 이 데이터 세트를 활용해서 모델을 구축해 보고, 물리적 속성과 구조, 그리고 성능 사이의 관계를 정말로 이해할 수 있을까?'라고 생각했습니다.
	그래서...잠시만 기다려 주시면 JMP에 접속하겠습니다.
	좋아요.
	그래서 우리가 제일 먼저 한 일은
	우리는 과거 데이터와 애플리케이션 팀이 목표 지향적인 테스트를 통해 얻은 데이터를 혼합하여 수집했습니다.
	그리고 일단 그 데이터를 한 곳에 모은 다음, JMP를 이용해서 물리적 속성들 사이에 아주 단순한 수준에서 어떤 관계가 있는지 살펴보았습니다.
	그래서 해당 데이터 세트를 살펴보면, 제가 늘 그렇듯이 가장 먼저 찾는 곳은 JMP의 배포 플랫폼입니다.
	원하는 특성이 다른 곳에서 어떤 모호한 패턴을 보이는지 확인하는 아주 쉬운 방법입니다. 예를 들어, 이 경우 열전도율이 높은 모든 특성을 원한다고 가정하면, 특성들이 상당히 넓게 분포되어 있는 것을 볼 수 있습니다.
	다른... 다른 속성들도 측정했으니까요. 그러니까 "아, 정말 훌륭한 관계네요, 필요한 건 이거예요"라고 명확하게 말해주지는 않네요. 우리가 예상했던 것과는 좀 다른 결과지만요. 그래도 확인해 볼 수 있어서 좋네요.
	마찬가지로, 모든 것을 다음과 같이 그래프로 나타내면
	산점도를 보면 노이즈가 많이 보입니다. 즉, 이러한 적합선은 실제로는 적합한 부분이 없다는 것을 보여주기 위한 참고 자료일 뿐입니다.
	저는 이 두 가지 사항에 대해 당신과 상관관계가 있다고 주장하는 것이 절대 아닙니다.
	그리고 그 모든 것이 실망스러웠던 이유는 명확한 답이 없었기 때문입니다.
	예상했던 일이었다.
	우리가 흥미롭게 생각했던 부분은, 우리가 예상했던 것처럼 명확한 답이 없다는 것이었습니다...
	이러한 요소들 사이에 명확한 상관관계가 있는 것은 아닙니다. 만약 그런 상관관계가 있었다면, 연구를 수행한 경험 많은 과학자들에게는 명백했을 것이고, 우리도 이미 알고 있었을 것입니다.
	그래서 우리는 이렇게 말했습니다. "우리가 알고 있는 것은 이 부동산들이 모두 가지고 있다는 것입니다."
	이해...그 구조와의 관계.
	이러한 물질들의 물리적 매개변수를 계산하고, 이를 여러 구조적 식별자 및 분자를 관찰하는 다양한 방법과 결합하면 어떻게 될까요? 그리고 그 데이터를 실험 데이터에 추가하면 어떻게 될까요?
	음... 그럼 우리가 어떤 모델을 만들어 볼 수 있을까요?
	이를 통해 구조와 성능을 예측할 수 있게 되었고, 그래서 저희는 바로 그 작업을 진행했습니다.
	아시다시피, 이 경우에는,
	우리가 보는 것
	그것은,
	다시 말해, 다변량 분석 플랫폼을 사용하면 상관관계가 있는지 빠르게 확인할 수 있습니다.
	이러한 요인들 중 일부에 대해,
	이것
	어떤 경우에는 상승과 하강 사이에 명확한 차이가 있고, 약간의 상관관계도 보이지만, 이것이 바로 필요한 유일한 요소라고 단정 지을 만한 것은 없습니다. 다시 말하지만, 이것은 우리가 예상했던 결과입니다.
	그래서 우리가 한 일은 다음과 같습니다.
	우리는 JMP에서 회귀 분석 플랫폼을 사용했습니까?
	이해하려고 노력하다
	우리가 모델을 만들 수 있을지, 그리고 그 모델은 무엇을 의미하는지
	관계가 어떻게 보이는지 알아보기 위해, 행 선택을 위해 무작위로 여러 행을 선택했습니다.
	JMP의 도구를 사용합니다. 일반적으로 모델에 참여하지 않을 다섯 개의 샘플을 무작위로 추출한 다음, 이러한 모델을 비교적 쉽게 구축할 수 있습니다.
	그런 식으로 데이터를 다듬어서 초기 데이터에서 검증 세트를 항상 확보해 두었습니다. 그래야 우리가 하는 일이 성공할 가능성이 있는지 확인할 수 있었거든요.
	그렇다면 80도 모델만 살펴보면, 우리가 처음으로 접하게 된 모델은 다음과 같습니다.
	바로 이거였어요.
	보시다시피, 이 모델에는 통계적 관점에서 볼 때 의미가 없는 여러 요인들이 포함되어 있습니다. 이러한 요인들은 과적합을 일으키거나 통계적으로 유의미하지 않기 때문입니다.
	하지만 이러한 요소들은 그 안에 있는 분자들을 설명하는 데 있어서 상당히 중요하기 때문에, 화학자로서 저희는 이 모델을 만들었습니다. 따라서 이 모델은 말하자면, 이러한 용도에 맞게 분자를 설계할 수 있도록 해줍니다.
	우리는 그것이 과도하게 적합하다는 것을 알고 있음에도 불구하고. 그리고 우리는 그것을 알고 있습니다.
	이건...사실 유효한 모델이 아닙니다. 왜냐하면 이러한 항들이 R 제곱 값을 계속해서 높여가고 있기 때문입니다.
	저희도 마찬가지입니다
	해당 용어들을 제외하고 모델을 구축했습니다.
	이 모델은 이러한 것들의 성능을 예측하는 측면에서 훨씬 더 나은 모델입니다. 다만 R 제곱 값이 약간 낮을 뿐입니다.
	하지만 거기에 있는 모든 용어들은 상당한 영향을 미칩니다.
	공연에 대해서.
	이 모델의 단점은 실제로 설계에 도움이 되지 않는다는 것입니다.
	새로운 화학 작용.
	하지만 두 경우 모두, 우리가 살펴보면
	예측값과 실제 측정값을 비교해 보면, 둘 사이에 합리적인 상관관계가 있음을 알 수 있습니다. 특히, 높은 값을 예상했을 때는 실제로 높은 값을 보이는 경우가 많습니다.
	그래서 우리는 이 모델이 실제로 우리에게 도움이 될 수 있을 거라는 확신을 갖게 되었습니다.
	그리고 이것이 얼마나 좋을지 살펴볼 때, 우리는 단순히 몇 퍼센트 차이가 나는지만 확인했습니다.
	측정값과 실제값을 비교해 보면, 두 모델 모두 거의 예외 없이 10% 이내의 오차 범위를 보이며, 대부분 5% 이내의 오차 범위를 나타냅니다.
	다양한 유형의 자료 전반에 걸쳐 이러한 결과가 나타나면서, 우리가 보고 있는 것이 실제 효과일지도 모른다는 확신을 얻게 되었습니다.
	모두 아주 좋네요.
	이것은 우리가 측정한 데이터의 영향일 뿐일까요?
	그래서 저희는 JMP의 프로파일러 플랫폼을 사용하여 프로젝트 팀원들과 공유할 수 있는 모델을 만들고, 기본적으로 경쟁을 벌이면서 "가장 높은 값을 찾는 사람이 승리한다"고 했습니다.
	이 모델에서 실제로 만들어질 수 있는 분자 중 가장 높은 열전도율을 보이는 분자는 다음과 같습니다.
	승리.
	아시다시피, 그 과정을 통해 유망해 보이는 물질 14가지 정도의 목록을 만들었습니다. 원료를 구할 수 없는 몇 가지 물질은 제외해야 했고, 최종적으로 합성 및 테스트를 거친 새로운 물질 9가지가 남았습니다. 이 물질들은 거의 대부분 기존 물질이었습니다.
	그 모형은 이전에 본 적 없는 물질들로 구성되어 있었죠. 어떤 경우에는 분자의 일부는 같지만, 원래 물질과는 상당히 달랐습니다.
	그렇게 부품들을 만들고 테스트를 마친 후, 다시 모델에 적용했습니다.
	그리고 이 모델의 예측력이 어느 정도인지 확인해 보기 위해서였습니다.
	그래서 그 데이터를 살펴보면, 이 재료들의 차이점을 고려할 때, 저는 충분히 예상했던 바를 이뤘다고 생각합니다.
	이것...
	이는 모델을 파괴하기 위한 것입니다.
	하지만 우리가…
	예측을 다시 살펴보면,
	보시는 것처럼 파란색으로 강조된 부분은 새로 개발된 소재들입니다. 저희는 단순히 호기심에, 그리고 확인해 보기 위해 일부러 가격이 낮은 소재 몇 가지를 골라봤습니다. 그리고 저희가 가격이 높을 거라고 예상했던 소재들은 모두 높은 가격을 보여줬습니다.
	과적합된 모델에서는 구조 설계 관점에서 유용한 가치를 지녔지만, 이상치 하나가 발견되었습니다. 반면 통계적으로 타당한 모델에서는 전반적으로 훨씬 더 나은 적합도를 보였습니다.
	그리고 그게 다였습니다.
	이는 우리가 단순히 하나의 분자를 설계하고 "자, 여기 있어요. 이걸 만들면 돼요."라고 말하는 것이 아니라, 합성 화학자들이 프로젝트를 진척시키는 데 필요한 적절한 유형의 재료를 찾도록 안내할 수 있게 되었다는 점에서 고무적입니다.
	자, 그럼 이 잔차들을 다시 한번 살펴보면, 다음과 같은 것을 알 수 있습니다.
	아시다시피, 과적합이 없는 통계적으로 우수한 모델의 경우, 모든 새로운 재료들이 10% 이내의 오차 범위 내에 있는 것을 확인했습니다.
	우리가 달성하려던 목표를 생각하면 그 정도면 충분했습니다. 과적합된 모델 중에는 10%에 약간 못 미치는 경우가 몇 개 있지만, 이 정도도 예상했던 범위 내입니다.
	그리고 아시다시피, 모든 수치가 적절한 범위 내에 있어서 좋았습니다. 왜냐하면 이 접근 방식이 효과가 있다는 것을 보여주기 때문입니다. 하지만 모든 수치가 정확히 맞지 않았다는 것을 알게 된 것도 꽤 흥미로웠습니다. 제 생각에는 만약 우리가 9개의 재료를 만들었고 그 수치들이 모두 1% 이내의 오차 범위에 있었다면 어땠을까요?
	사람들이 그 말도 믿었을지는 잘 모르겠습니다.
	그래서
	사실, 우리도 비슷한 상황을 겪고 있었어요...
	처음에 사용했던 재료와 새로 만든 재료의 예측치에서 비슷한 수준의 차이가 나타났습니다. 그래서 이 모델에 대해 상당한 확신을 갖게 되었습니다.
	그리고 나서, 다시 돌아가 보면…
	슬라이드를 잠시 넘겨주세요.
	그렇다면 우리가 할 수 있는 말은 무엇일까요?
	이러한 재료들의 구조적 성능 관계에 관한 것입니다.
	JMP의 회귀 플랫폼을 사용하여 생성되었습니다.
	저희는 JMP의 시각화 도구를 사용하여 이러한 접근 방식에 실질적인 이점이 있음을 확인했으며, 모델 자체가 이 프로젝트에서 새로운 재료에 중점을 두도록 하는 데 사용되고 있음을 알 수 있었습니다. 이 모델은 저희가 이미 생산하고 있는 제품 중에서 테스트할 가능성이 높은 재료를 선별하는 데 활용되고 있습니다.
	그리고 아시다시피, 모델과 우리가 만들고 있는 새로운 분자들 사이의 결과에는 허용 가능한 상관관계가 있습니다.
	이 모든 것이 이 접근 방식에 대한 진정한 확신을 주었고, 덕분에 우리는 이 프로젝트를 더욱 발전시켜 특정 목표 물질로 세분화할 수 있었습니다.
	새로운 분자라는 관점에서 보면,
	저희는 열전도율이 높은 분자에 중점을 두었습니다. 이 그래프에서 보시다시피, 새로 합성된 분자들은 모두 열전도율이 중간에서 높은 범위에 속하는데, 이것이 바로 저희가 목표로 했던 바입니다.
	우리는 데이터를 활용하여 개선점을 목표로 삼고, 실험실에서 이를 검증한 후 실제로 구현할 수 있음을 입증했습니다.
	이 프로젝트가 더욱 어려워지는 부분은, 이제 나머지 모든 요인에 대해서도 유사한 모델을 구축해야 한다는 점입니다.
	이러한 유전체 유체의 성능에 영향을 미치는 요인들을 파악하고, 최상의 결과를 얻기 위해 이러한 모델들을 서로 비교하여 균형을 맞추려고 노력할 것입니다.
	따라서 모든 추가 개발은 계속 진행 중이지만, 이러한 추진력은 순전히 JMP와 그 안에 있는 플랫폼들이 데이터 세트를 다루는 데 있어 사용 편의성에서 비롯되었습니다.
	그리고 해당 분야에 대한 지식을 바탕으로, 그 부분을 더욱 발전시켜 "네, 이 모델은 이번 프로젝트와 크로다의 해당 분야 후속 프로젝트에서 중점적으로 추진해야 할 방향을 제시해 줄 것입니다."라고 말할 수 있습니다.
	결론적으로, 테스트를 통해 얻은 데이터를 활용하여 이러한 재료의 성능을 성공적으로 모델링할 수 있었습니다. 완벽하지는 않지만, 우리가 원하는 목적에는 충분합니다.
	그 모델은...
	이 모델은 다음을 보여줍니다
	에스테르의 구조적 성능과 특성 사이에는 관계가 있습니다 (죄송합니다, 작업 표시줄이 왜 이렇게 흔들리는지 모르겠네요). 이 모델은 열전도율이 높은 물질을 예측하는 데 사용되었습니다.
	그러한 예측은 우선 배제를 통해 검증되고, 그 다음에는 새로운 물질을 만들어냄으로써 검증되며, 실제로 그 모델이 해당 유형의 화학 반응에 적용된다는 것을 보여줌으로써 검증됩니다.
	또한 이는 다음과 같은 속성을 맞춤 설정할 수 있는 가능성을 보여주었습니다.
	이 경우에는 유전체이지만, 다른 재료의 경우에도 유사한 모델을 만들면 특정 용도에 맞는 특정 재료를 제작할 수 있게 됩니다.
	그리고 제게 가장 중요한 것은,
	이 작업의 진정한 성공은 JMP가 있으면 좋은 것이 아니라 연구를 개발하고 데이터 세트를 매우 빠르게 살펴보고 "여기에 뭔가 의미가 있는가?"를 판단할 수 있는 진정한 플랫폼임을 보여주는 데 필요한 내부적인 추진력을 만들어냈습니다.
	그럼,
	시청해 주셔서 감사합니다. 녹화 중에는 질문에 답변해 드릴 수 없지만, 궁금한 점이 있으시면 커뮤니티에 댓글을 남겨주세요. 네, 정말 감사합니다.

고급 통계 모델링기초 데이터 분석 및 모델링실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링결과 공유 및 소통