제조 설비 문제 해결은 종종 비정형 엔지니어링 로그를 수동으로 해석하는 데 의존하는데, 이 과정에서 일관성 없는 설명이나 주관적인 분류로 인해 결과가 왜곡될 수 있습니다. 본 연구는 JMP 19의 신경망 예측 모델링을 LLM 방식의 추론 프레임워크로 활용하여 문제 예측의 일관성을 향상시키는 방법을 제시합니다.
본 접근 방식은 자유 형식의 응답을 생성하는 대신, 과거 엔지니어링 기록에서 추출한 구조화된 텍스트 특징을 사용하여 가능성 있는 해결책을 예측하는 데 중점을 둡니다. 먼저 Text Explorer를 사용하여 문제 설명을 토큰화하고 키워드와 용어 빈도를 추출합니다. 이는 대규모 언어 모델의 토큰화와 기능적으로 유사합니다. 추출된 특징은 신경망 예측 모델의 예측 변수로 사용되며, 알려진 문제 해결책이 응답으로 정의됩니다.
제한적인 과거 데이터로 인해 모델 성능과 일반화 능력에 대한 보다 신뢰할 수 있는 추정치를 얻기 위해 K-겹 교차 검증을 사용했습니다. 초기 시도에서는 모델이 제대로 조정되지 않아 높은 오분류율과 낮은 일반화 R² 값을 보였습니다. 반복적인 최적화를 통해 최종 모델은 낮고 일관된 오분류율을 보여주며, 안정적인 일반화 능력과 결과 클래스 간의 의미 있는 구분 능력을 나타냈습니다.
완전한 대규모 언어 모델은 아니지만, 이 모델은 문제와 과거 결과 간의 관계를 학습함으로써 LLM(대규모 언어 모델)과 유사한 동작을 보입니다. 또한 챔버 유형 및 변동성이 해결 경로에 미치는 영향에 대한 통찰력을 제공합니다. 본 연구는 JMP를 활용하여 복잡한 대규모 언어 모델 없이도 엔지니어링 지식을 강화하고, 근본 원인 분류를 가속화하며, 하이브리드 본더 장비 운영 지원을 위한 보다 일관된 의사결정을 지원하는 방법을 보여줍니다.
