[사기업] SK하이닉스 PKG 개발 자기소개서 항목별 풀이 및 상위 1% 자소서 예시 (26년 하반기)
■ 이 글이 다루는 것 — Executive Summary 전략기획 및 HR 커리어를 쌓아온 컨설턴트이자 하이엔드 취업 콘텐츠 플랫폼 '룩센트'의 대표로서, 5,000명 이상을 컨설팅하고 1,000명 이상을 대기업에 합격시킨 Insight를 담았습니다. 이번 글은 "2026년(26년) 하반기 SK하이닉스 PKG 개발 자기소개서 항목별 풀이"입니다. 본 글이 제공하는 것은 다음 세 가지입니다. • SK하이닉스 PKG 개발 직무의 회사/직무/산업 맥락 압축 정리 (핵심 직무 키워드 핵심 개념 포함) • SK하이닉스 PKG 개발 자소서 항목별 출제 의도와 평가 체크포인트, 상위 1% 예시 • SK하이닉스 PKG 개발 자기소개서 포함, 타사 PKG 개발 자소서 작성자를 위한 TIP ■ 산업/기업/직무 분석 ① 산업 분석 메모리 반도체 산업은 D램과 낸드를 대량 생산하는 사이클 산업이지만, 2026년의 성장 동력은 AI 가속기에 들어가는 HBM과 어드밴스드 패키징에서 나오고 있습니다. GPU가 연산을 아무리 빠르게 해도 메모리가 데이터를 제때 공급하지 못하면 성능이 멈추는데요. 여러 D램을 수직으로 쌓고 TSV로 연결한 HBM은 이 병목을 넓은 데이터 통로로 해결합니다. 문제는 적층 수가 늘수록 칩을 더 얇게 갈아야 하고, 열과 휨, 접합 불량, 신호 손실이 함께 커진다는 점입니다. 그래서 반도체 성능 경쟁의 중심이 회로 선폭을 줄이는 전공정에서 칩을 연결하고 식히는 후공정으로 이동했다고 볼 수 있죠. 시장 구조도 바뀌고 있습니다. 어드밴스드 패키징 시장은 2025년 550억 달러에서 2031년 1,200억 달러 이상으로 커질 전망이며, HBM 생산 확대는 범용 D램에 쓸 웨이퍼를 줄여 메모리 전반의 공급 제약까지 만듭니다. 과거처럼 분기마다 가격을 다시 정하는 거래보다 여러 해의 물량과 조건을 미리 정하는 장기공급계약이 늘면서 실적 변동은 다소 완화됐지만, 대규모 증설이 물량으로 바뀌는 2028년 이후에는 공급 과잉 위험도 남아 있습니다. 기술 측면에서는 16단까지 Advanced MR-MUF와 TC 본딩을 고도화하고, 20단 이상에서는 범프를 없애는 하이브리드 본딩으로 넘어갈 시점을 판단하는 일이 중요합니다. 결국 이 산업의 경쟁력은 좋은 설계안을 내는 데서 끝나지 않고, 소재와 장비, 적층 공정, 검사까지 묶어 높은 수율로 양산하는 능력에서 갈립니다. ② 기업 분석 SK하이닉스는 2013년 세계 최초 HBM을 개발한 뒤 TSV와 MR-MUF 공법을 세대별로 다듬으며 AI 메모리 시장을 이끌어 왔습니다. 2026년 1분기 HBM 매출 점유율은 58%로 여전히 선두지만, 1년 전보다 11%p 낮아졌고 삼성전자와 마이크론이 각각 21%까지 올라왔습니다. 범용 D램까지 포함하면 삼성전자가 다시 앞선 상황이라, 이제는 선도 경험만으로 우위를 지키기 어렵습니다. SK하이닉스의 강점은 특허 수나 공정 이름보다 검증된 공법을 높은 수율로 구현한 경험, 고객 인증을 통과해 온 품질 이력, 양산 과정에서 쌓인 데이터에 있습니다. 회사는 HBM4 양산을 확대하면서 HBM4E와 HBM5를 함께 준비하고 있습니다. Advanced MR-MUF로 12단과 16단 적층을 안정화하는 한편, 12단 하이브리드 본딩 검증을 마치고 패키지 안에 냉각 요소를 넣어 열저항을 30% 이상 낮춘 iHBM도 공개했어요. 조직과 투자도 같은 방향입니다. 커스텀 HBM의 패키징 수율과 품질을 전담하는 조직을 신설했고, 청주 P&T7과 미국 인디애나 어드밴스드 패키징 거점을 확충하고 있습니다. 고객이 준 규격을 생산하는 공급자에서 고객과 규격을 함께 설계하는 개발 파트너로 역할을 넓히는 중이기도 합니다. 다만 HBM 고객이 소수에 집중돼 있고, HBM4 이후 베이스 다이를 외부 파운드리에 맡겨야 하며, 경쟁사의 공급 확대가 가격 협상력을 낮출 가능성도 있습니다. 따라서 회사가 원하는 인재는 현재 공법을 안정화하는 능력과 다음 공법의 도입 시점을 실험으로 검증하는 능력을 함께 보여주는 사람입니다. ③ 직무 분석 PKG개발은 완성된 칩을 포장하는 후속 작업이 아니라, 아직 존재하지 않는 패키지 구조와 공법을 만들고 양산 라인에서 되풀이되도록 넘기는 연구개발 직무입니다. 세부 업무는 공정, 장비, 소재를 다루는 PKG기술개발, 제품화와 품질, 신뢰성을 맡는 PKG제품개발, 구조와 전기, 열을 해석하는 PKG설계로 나뉩니다. 예를 들어 HBM 칩을 얇게 갈면 패키지 높이는 낮아지지만 워피지가 커지고, 몰딩 소재의 점도를 낮추면 좁은 틈은 잘 채워져도 경화 뒤 강도가 약해질 수 있습니다. 이처럼 한 조건을 개선하면 다른 특성이 나빠지는 문제에서 적정점을 찾는 일이 업무의 중심입니다. 실제 과업에는 12단과 16단 적층 조건 개발, 갭필 개선, 신뢰성 평가법 설계, 열저항과 신호 특성 해석이 포함됩니다. 필요한 지식은 반도체 전체 공정, 재료와 고분자 특성, 열전달과 응력, 신뢰성 물리, 통계와 실험계획법입니다. 기술로는 파이썬이나 통계 도구를 활용한 공정 데이터 분석, 시뮬레이션을 통한 열과 구조 예측, 분석 장비를 이용한 고장 원인 확인, 조건별 실험 설계가 요구됩니다. 태도에서는 예상과 다른 결과가 나왔을 때 여러 가설을 세워 근본 원인을 좁히는 집요함, 감보다 데이터로 판단하는 습관, 실험실 조건이 생산 장비에서도 구현되는지 살피는 이관 의식이 중요해요. 소재사, 장비사, 전공정, 양산기술, 품질, 고객사와 함께 일하므로 기술 내용을 상대 조직의 언어로 설명하는 능력도 필요합니다. 성과는 개발 수율, 신뢰성 통과율, 목표 물성, 일정, 원가와 생산성, 양산 재현성으로 확인됩니다. ■ 1번 항목 : 지원 분야 및 직무 역량과 관련된 프로젝트/공모전/논문/연구/학습/활동/경험 등을 작성해 주세요. (2000자) ■ 출제 의도 이 문항은 지원자가 반도체 관련 경험을 많이 보유했는지를 세는 질문이 아닙니다. 평가자가 확인하려는 것은 PKG개발이 어떤 문제를 푸는 일인지 알고, 그 일에 필요한 지식과 기술과 태도를 자기 경험으로 입증할 수 있는가입니다. 특히 문항이 K/S/A를 명시했기 때문에 3항목을 제시하되, 교과목 이름과 도구 이름, 성향을 따로 나열해서는 설득력이 약합니다. 지식은 반도체 공정의 흐름, 소재 물성, 열과 응력, 신뢰성, 통계 가운데 자신의 경험과 연결되는 내용을 골라야 합니다. 기술은 그 지식을 활용해 실험 조건을 설계하고 데이터를 분석하며 원인을 좁힌 행동으로 보여줘야 하죠. 태도는 협업을 잘한다는 넓은 표현보다 예상과 다른 결과를 끝까지 추적한 집요함, 감이 아니라 수치로 판단한 습관, 개발 조건이 양산 장비에서도 재현되는지 살핀 자세처럼 PKG개발에서 필요한 모습이어야 합니다. 다른 평가 기준은 경험을 직무의 문제 구조로 바꾸어 설명하는 능력입니다. 패키지 프로젝트를 해보지 않았더라도 소재 배합에 따른 물성 변화, 열처리 조건과 변형, 박막 응력, 접합 강도, 유체의 흐름, 공정 데이터의 이상 원인, 제품 신뢰성 같은 경험은 충분히 활용할 수 있습니다. 평가자는 경험의 명칭보다 어떤 변수를 통제했고, 어떤 가설을 세웠으며, 무엇을 측정해 판단했고, 결과를 어느 수준까지 개선했는지를 봅니다. 예를 들어 고분자 복합재 연구에서 점도를 낮추자 충진성은 좋아졌지만 기계적 강도가 떨어졌다면, 이는 갭필 소재와 공정 조건의 상충을 다룬 경험으로 설명할 수 있습니다. 이때 패키지 용어를 억지로 덧씌우기보다 원래 과제의 사실을 유지하면서 두 문제의 공통 구조를 밝혀야 합니다. 마지막으로 산업과 회사에 대한 이해가 경험 선택에 반영됐는지도 평가합니다. 미세화의 한계로 성능 경쟁이 후공정으로 이동하고, SK하이닉스가 16단 적층, Advanced MR-MUF, 열 관리, 하이브리드 본딩을 함께 준비하는 상황에서는 한 가지 성능만 높인 경험보다 여러 조건 사이의 적정점을 찾아낸 경험이 더 유효합니다. 결국 이 문항은 “무엇을 배웠는가”보다 “배운 것을 어떤 문제에 적용해 검증했으며, 그 과정이 PKG개발의 업무와 왜 유사한가”를 묻는 질문입니다. ■ 풀이 방법 먼저 지원 분야를 PKG기술개발, PKG제품개발, PKG설계 가운데 자신의 경험과 가장 가까운 범위로 좁혀보세요. 그다음 첫 문단에서 산업 변화와 직무 과제를 연결해 필요한 역량을 한 문장으로 제시하는 것이 좋습니다. 예컨대 “고단 적층에서 열, 휨, 접합 품질의 균형을 데이터로 찾는 역량이 필요하다”라고 이야기한 뒤, 왜 그런 판단을 했는지 HBM의 적층 증가, 워피지와 발열, 양산 수율의 중요성으로 설명해보세요. 회사 기술을 길게 소개하기보다 자신의 경험을 선택한 이유를 밝혀주는 정도로 활용해야 합니다. 이렇게 시작하면 뒤에 나오는 지식과 기술과 태도가 회사 이름만 바꿔도 통하는 목록이 아니라 PKG개발에 맞춘 답변으로 읽힙니다. 지식에서는 수강 과목을 늘어놓지 말고 프로젝트에서 실제 판단에 사용한 원리를 고르세요. 열팽창계수, 고분자 점도와 경화, 박막 응력, 접합, 신뢰성, 실험계획법 가운데 하나나 둘이면 충분합니다. 기술에서는 같은 경험 안에서 문제 발견, 가설 설정, 변수 선정, 실험 또는 분석, 결과 확인의 순서를 구체화하세요. 패키지 경험이 없다면 원래 과제의 사실은 유지하되 문제 구조를 바꾸어 설명하면 됩니다. 예를 들어 복합재의 배합비와 강도를 다룬 경험은 소재 조성에 따른 공정성과 물성의 균형을 찾은 경험으로, 센서 데이터의 이상치를 추적한 경험은 장비나 로트별 차이를 분리해 원인을 좁힌 경험으로 설명할 수 있습니다. 본인의 역할, 사용한 장비나 프로그램, 표본 수, 개선 전후 수치를 넣으면 면접에서도 확인 가능한 근거가 됩니다. 태도는 경험의 마지막 행동에서 드러내세요. 결과가 예상과 달랐을 때 실험을 다시 설계했는지, 평균값에 가려진 이상 분포를 따로 확인했는지, 생산 환경에서 구현하기 어려운 조건을 제외했는지를 제시하면 집요함과 데이터 판단, 이관 의식이 자연스럽게 보입니다. 끝부분에서는 이 역량을 HBM 적층 공정, 갭필, 신뢰성, 열 해석 중 어디에 활용할지 구체화하세요. 소제목은 본문을 다 쓴 뒤, ‘쌓다’, ‘잇다’, ‘풀다’처럼 패키지 업무와 경험을 함께 떠올리게 하는 말의 소리나 익숙한 문구를 가볍게 변형해 완성하면 좋습니다. 문구의 재미보다 본문 내용과의 일치가 우선입니다. ■ 상위 1% 예시 [쌓을수록 분명해지는 적층의 답] 고단 HBM의 패키지 개발은 한 물성을 최고로 만드는 일이 아니라, 더 얇아진 칩에서 열과 휨을 제어하면서 좁은 간극을 채우고 접합 신뢰성과 수율을 함께 확보하는 일이라고 생각합니다. 따라서 PKG기술개발에 필요한 역량을 소재와 공정의 인과를 설명하는 지식, 실험과 데이터로 적정 조건을 찾는 기술, 예상과 다른 결과를 양산 재현성까지 확인하는 태도로 정의합니다. 성과를 판단할 때도 한 번의 최고값보다 개발 수율, 신뢰성 통과율, 생산성, 로트 간 편차를 함께 봐야 합니다. 저는 이를 한 조건의 개선이 다른 특성을 해치지 않도록 근거를 남기는 역량이라고 봅니다. 첫째, 지식입니다. 2024년 3월부터 12월까지 학부 연구생으로 저점도 에폭시의 충진성과 접합강도를 함께 높이는 과제를 수행했습니다. 좁은 간극을 채우려 점도를 낮추면 기포 이동은 유리해지지만, 희석제 증가로 가교밀도와 내열성이 낮아져 경화 후 강도가 약해질 수 있었습니다. 저는 고분자 재료, 열전달, 전자패키징 수업에서 배운 경화 반응, 열팽창계수 불일치, 잔류응력 원리를 적용해 배합비와 경화 온도가 점도, 보이드, 전단강도에 미치는 관계를 정리했습니다. 이를 통해 소재 조성, 공정성, 신뢰성을 따로 보지 않고 서로 영향을 주는 변수로 해석하는 관점을 갖췄습니다. 전자패키징 설계 과제에서는 ANSYS로 8단 적층 구조의 다이 두께와 몰드 탄성률을 바꿔 열사이클 후 변형을 비교했습니다. 다이를 얇게 할수록 전체 높이는 줄었지만 코너 응력이 증가했고, 몰드 탄성률만 높이면 휨은 줄어도 계면 응력이 커졌습니다. 그래서 최대 변형 하나가 아니라 칩 코너 응력, 계면 박리 위험, 패키지 두께를 함께 평가했습니다. 이 과정을 통해 HBM처럼 여러 다이를 쌓는 구조에서는 열과 기계 거동을 연계해 판단해야 하며, 소재 선택이 구조 신뢰성과 분리될 수 없다는 점을 배웠습니다. 둘째, 기술입니다. 저는 에폭시와 경화제 비율, 나노실리카 함량, 경화 온도를 핵심 변수로 정하고 18개 조합을 설계했습니다. 레오미터로 점도, DSC로 경화 거동, 광학현미경으로 보이드 면적률, 만능재료시험기로 전단강도를 측정했습니다. 처음에는 점도가 가장 낮은 조합을 최적안으로 판단했지만, 보이드 면적률이 8.1%까지 올라가며 예상이 빗나갔습니다. 평균값만 비교하지 않고 시편 위치별 분포를 나눠 보니 혼합 후 대기시간이 긴 시편에서 기포가 늘었습니다. 이에 혼합 순서와 진공 탈포 시간을 고정하고, Python으로 분산분석과 회귀모형을 적용해 변수별 영향도를 다시 계산했습니다. 그 결과 점도는 2,380에서 1,410밀리파스칼초로 낮추면서 보이드 면적률은 7.6%에서 2.7%로, 전단강도는 29.8에서 36.2메가파스칼로 개선했습니다. 셋째, 태도입니다. 조건이 좋아 보이는 것보다 다시 만들 수 있는지를 먼저 확인하는 습관을 들였습니다. 최적 조합을 찾은 뒤 다른 날 제조한 3개 배치에서 강도 편차가 9%까지 벌어졌습니다. 배합 오차보다 실험실 습도의 영향이 크다고 가정해 원료를 24시간 건조하고, 혼합실 습도와 시료 온도를 기록하는 표준을 추가했습니다. 이후 세 배치의 강도 편차를 2.8% 이내로 줄였습니다. 논문 수치와 1회 성과에 만족하지 않고 공정 조건의 재현 범위를 확인한 경험을 통해, 개발안은 양산 설비에서도 되풀이되어야 가치가 있다는 기준을 세웠습니다. SK하이닉스에서는 이러한 역량을 Advanced MR-MUF와 고단 HBM의 갭필, 워피지, 접합 신뢰성 문제에 적용하겠습니다. 소재 물성과 장비 조건을 함께 놓고 가설을 세우며, 공정 데이터와 분석 결과로 원인을 좁히겠습니다. 또한 목표 물성뿐 아니라 수율, 생산성, 반복 재현성을 함께 검토해 실험실의 최적안이 양산 경쟁력으로 이어지도록 하겠습니다. 쌓이는 층마다 변수가 늘어날수록 더 정교한 실험과 판단이 필요하는 만큼, 데이터를 한 번 더 쌓아 적층의 불확실성을 줄이는 PKG개발 엔지니어가 되겠습니다. ■ 2번 항목 : AI를 활용한 프로젝트/공모전/논문/연구/문제 해결 경험 등을 작성해 주세요. (2,000자) ■ 출제 의도 이 문항은 생성형 AI를 써봤는지 확인하는 사용 경험 조사가 아니라, 불완전한 도구를 통제하면서 실제 문제를 해결할 수 있는지를 검증하는 질문입니다. 평가자는 AI에게 질문을 던지고 나온 문장을 정리한 사례, 사용한 기능을 길게 나열한 사례, 결과 검증 없이 효율만 강조한 사례를 먼저 걸러냅니다. 반대로 평가를 받으려면 왜 그 문제에 AI가 필요했는지, 어떤 부분을 맡기고 어떤 부분은 사람이 판단했는지, 출력의 오류와 한계를 어떻게 확인했는지 보여줘야 합니다. 기간과 본인 역할을 요구하는 이유도 수행 여부를 확인하기 위해서입니다. 도구의 이름보다 문제를 정의하고 입력을 설계하며 결과를 좁혀간 지원자의 판단이 글의 주인공이어야 합니다. 특히 SK하이닉스 PKG개발에서는 공개 지식만으로는 답이 완성되지 않습니다. 같은 소재라도 배합과 장비, 로트, 온도와 압력에 따라 결과가 달라지고, 사내 공정 데이터와 고객 조건은 AI가 알 수 없기 때문입니다. 따라서 평가자는 AI가 논문이나 매뉴얼의 공통 내용을 정리한 뒤, 답이 없는 부분을 실험값, 전공지식, 전문가 의견, 원자료로 보완한 경험을 보고 싶어 합니다. 예를 들어 AI가 제시한 불량 원인 후보를 그대로 채택한 것이 아니라, 실제 측정 분포와 물리 원리에 맞지 않는 후보를 제외하고 실험으로 우선순위를 정했다면 인간의 가치가 드러납니다. AI의 한계를 발견한 데서 끝내지 않고, 그 빈틈을 본인이 채워 결과를 완성했는지가 중요합니다. 여러 도구를 하나의 흐름으로 엮어본 경험도 평가 대상입니다. OCR로 문서나 이미지를 읽고, 언어모델로 분류 기준이나 초안을 만들며, 파이썬으로 계산과 시각화를 수행하고, 원문이나 측정값으로 결과를 확인하는 식입니다. 규모가 큰 시스템일 필요는 없지만 입력, 처리, 검증, 산출의 순서가 분명해야 해요. 여기에 기밀 정보와 개인정보를 외부 서비스에 넣지 않은 기준, 생성물을 그대로 제출하지 않고 재작성한 원칙까지 제시하면 AI를 업무에 안전하게 활용할 사람인지도 판단할 수 있습니다. 결국 평가자는 AI가 일을 대신한 사례가 아니라, 지원자가 AI가 잘하는 일과 못하는 일을 나누고 여러 도구와 자기 지식을 조합해 신뢰할 수 있는 결과를 만든 경험을 찾습니다. ■ 풀이 방법 경험은 결과물의 화려함보다 AI가 없었다면 오래 걸리거나 놓치기 쉬웠고, AI만으로는 완성할 수 없었던 사례를 우선하세요. 기간, 팀 규모, 과제 목표, 본인 역할을 정리한 다음, 문제를 자료 수집, 분류, 분석, 판단처럼 여러 단계로 나눠보세요. 그리고 각 단계에서 사용한 서비스와 기능만 적어야 합니다. 예를 들어 문서 인식 도구로 자료를 텍스트화하고, 언어모델로 항목을 분류하며, 파이썬으로 통계 처리한 경험이 있다면 세 도구를 사용한 순서와 데이터가 넘어가는 방식을 설명하세요. RAG나 에이전트 같은 용어를 써보지 않았다면 넣지 않아도 됩니다. 작은 자동화라도 본인이 설계하고 되풀이해 사용했다면 근거가 됩니다. 본문은 먼저 해결해야 했던 문제와 기존 방식의 한계를 제시하고, 왜 AI를 선택했는지 설명해보세요. 다음에는 입력 자료의 범위, 프롬프트에서 지정한 역할과 맥락, 예시, 출력 형식, 후보를 좁힌 기준을 적습니다. 다음이 중요합니다. AI가 공개 자료의 공통 내용을 정리한 부분과 답하지 못한 부분을 구분하고, 후자는 실험값, 원문, 전공지식, 관계자 확인으로 보완하세요. AI가 제안한 후보 중 물리적으로 성립하지 않거나 데이터 분포와 어긋난 내용을 제거한 기준도 밝혀야 합니다. 이렇게 쓰면 AI의 결과를 받아 적은 사람이 아니라, 도구의 경계를 이해하고 최종 판단을 맡은 사람으로 보입니다. 성과는 “빨라졌다”로 끝내지 말고 처리 시간, 검토 건수, 오류율, 재작업 횟수, 채택률처럼 비교 가능한 수치로 제시하세요. 동시에 생성 결과를 어떤 표본으로 대조했고, 틀린 결과를 발견했을 때 입력이나 흐름을 어떻게 수정했는지도 적어야 합니다. 보안 측면에서는 회사나 연구실의 민감 정보가 있었다면 비식별화, 로컬 처리, 입력 제외 가운데 실제 적용한 조치를 밝히세요. 마지막에는 이 경험을 PKG개발의 논문 탐색, 공정 데이터 정리, 불량 원인 후보 분류, 실험 결과 검토에 어떻게 활용하되 최종 공정 판단은 측정값과 물리 원리로 확인할지 제시하면 좋습니다. 소제목은 본문에 답이 있는 질문으로 만드세요. 예컨대 AI와 사람이 무엇을 맡아야 결과를 믿을 수 있는지 궁금하게 만들고, 본문에서 본인의 기준을 분명히 제시하는 방식이 적합합니다. ■ 상위 1% 예시 [AI가 찾은 원인, 어디까지 믿을 수 있을까?] 2026년 3월부터 6월까지 4인 학부 연구팀에서 저점도 접착재의 경화 불량 원인을 찾는 프로젝트를 수행했습니다. 저는 126편의 논문과 9개월치 실험일지, 412개 측정값을 분류하고 원인 후보를 좁히는 분석 담당이었습니다. 연구실에는 PDF 표, 스캔 이미지, 손글씨 기록이 뒤섞여 있었고, 연구자가 문서를 하나씩 읽는 방식으로는 배합, 점도, 경화 온도, 보이드, 전단강도의 관계를 비교하는 데 약 3주가 필요했습니다. 그러나 생성형 AI에 자료를 넣고 요약만 받으면 출처가 불분명하고 연구실 장비와 시료 조건을 알지 못해 잘못된 원인을 그럴듯하게 제안할 위험이 있었습니다. 그래서 AI는 공개 지식의 정리와 후보 생성에 맡기고, 최종 원인 판단은 원자료와 물리 원리로 검증하는 흐름을 설계했습니다. 먼저 로컬 Tesseract OCR로 스캔 표와 실험일지를 텍스트화하고, Python으로 시료명과 날짜를 비식별 코드로 바꿨습니다. 외부 서비스에는 공개 논문과 비식별 데이터만 입력했고 미공개 배합비는 제외했습니다. 이후 Azure OpenAI의 GPT에 고분자 공정 연구원 역할을 부여하고, 변수 정의, 단위 통일 규칙, JSON 출력 형식, 근거 문장과 페이지를 필수로 지정했습니다. 서로 다른 표기법을 같은 변수로 묶기 위해 실제 문서에서 고른 3개의 예시를 few-shot으로 제공했습니다. GPT가 추출한 JSON은 Python pandas로 합치고, 범위를 벗어난 온도와 음수 보이드 값, 단위가 섞인 행을 규칙 기반으로 표시했습니다. 마지막에는 문서명과 페이지 번호를 남겨 사람이 해당 문장을 다시 확인하도록 했습니다. 초기 결과에서 AI는 높은 보이드의 원인으로 점도, 혼합 속도, 경화 속도, 표면 수분, 장비 진공도 등 11개 후보를 제시했습니다. 여기서 제 역할은 후보를 줄이는 일이었습니다. DSC 결과상 경화 개시 온도는 모든 불량 시료에서 같았으므로 경화제 반응 차이를 제외했습니다. 정상 시료와 불량 시료의 점도 범위도 겹쳤기에 점도만으로 설명하는 가설을 보류했습니다. 반면 불량이 특정 날짜와 장비에서 몰렸고, 진공 로그가 목표값에 도달하는 시간이 평소보다 길었습니다. 저는 장비 점검표와 실험자 인터뷰를 대조해 챔버 도어 실링 교체 이후 진공 도달 시간이 42초에서 88초로 늘어난 사실을 확인했습니다. AI는 이 연구실 고유 이력을 알 수 없었고, 공개 지식만으로는 해당 원인을 찾지 못했습니다. 이에 진공도, 탈포 시간, 시료 점도를 세 변수로 정해 12개 확인 실험을 설계했습니다. 확인 실험에서 진공 도달 시간이 70초를 넘을 때 보이드가 급증했고, 시료 점도보다 장비 밀폐 상태의 영향이 컸습니다. 도어 실링을 교체하고 탈포 종료 기준을 시간 기준에서 목표 진공도 유지 기준으로 바꾸자 보이드 면적률은 8.4%에서 2.6%로 낮아졌고 전단강도 편차도 11.2%에서 3.5%로 줄었습니다. 파이프라인의 추출 정확도는 임의로 뽑은 80개 항목의 원문 대조 결과 84%였습니다. 오류를 분석하니 표의 병합 셀과 단위 누락이 원인이어서 OCR 후 행과 열 좌표를 함께 넘기고 단위가 없으면 추정하지 말라는 규칙을 추가했습니다. 수정 후 정확도는 97%가 됐고, 문헌과 실험일지 정리 기간도 15일에서 4일로 줄었습니다. 이 경험에서 AI의 가치는 정답을 대신 내는 데 있지 않았습니다. 많은 문서에서 공통 패턴을 빠르게 모으고 사람이 검증할 후보를 만드는 데 강했고, 연구실 고유의 장비 이력과 물리적 인과를 판단하는 일에는 한계가 있었습니다. 저는 도구마다 맡길 범위를 나누고, 출력마다 근거와 검증 절차를 붙여 신뢰성을 높였습니다. SK하이닉스 PKG개발에서도 논문과 장비 매뉴얼 탐색, 공정 데이터 정리, 불량 원인 후보 분류에는 AI와 Python을 활용하되, 최종 조건은 측정값, 신뢰성 시험, 소재와 열응력 원리로 판단하겠습니다. 공개 지식이 끝나는 곳에서 실험과 공정 데이터로 답을 완성하는 엔지니어가 되겠습니다. #SK하이닉스 #SK하이닉스채용 #SK하이닉스자소서 #SK하이닉스자기소개서 #SK하이닉스PKG개발 #SK하이닉스PKG개발자소서 #SK하이닉스PKG개발자기소개서 #PKG개발자소서 #PKG개발자기소개서 #자기소개서작성법
