[사기업] SK하이닉스 양산기술(P&T) 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 양산기술(P&T) 자기소개서 항목별 풀이"입니다. 본 글이 제공하는 것은 다음 세 가지입니다. • SK하이닉스 양산기술(P&T) 직무의 회사/직무/산업 맥락 압축 정리 (핵심 직무 키워드 핵심 개념 포함) • SK하이닉스 양산기술(P&T) 자소서 항목별 출제 의도와 평가 체크포인트, 상위 1% 예시 • SK하이닉스 양산기술(P&T) 자기소개서 포함, 타사 양산기술(P&T) 자소서 작성자를 위한 TIP ■ 산업/기업/직무 분석 ① 산업 분석 반도체 산업의 경쟁 기준은 더 미세한 회로를 만드는 전공정 기술에서, 여러 칩을 정교하게 쌓고 연결해 성능을 높이는 첨단 패키징까지 넓어지고 있습니다. 미세화의 물리적, 경제적 부담이 커지면서, 잘 만든 칩을 어떻게 결합하느냐가 제품 성능과 공급량을 가르는 변수가 됐기 때문인데요. AI 서버에 쓰이는 HBM은 D램을 수직으로 적층하고 TSV로 연결하므로 Package와 Test의 난도가 특히 높습니다. 12층 케이크 가운데 한 층만 기울어도 전체를 팔 수 없는 것처럼, 한 개 다이의 불량이나 접합 오차가 완성 스택 전체 손실로 이어집니다. 이 구조에서는 수율 1%p의 의미가 큽니다. 반도체 제조는 설비와 클린룸에 막대한 고정비가 들어가므로, 같은 투입량에서 양품을 더 많이 확보하는 일이 곧 원가와 이익을 바꿉니다. 이에 따라 웨이퍼 테스트에서 불량 다이를 일찍 가려내고, 패키지 테스트에서 온도와 전압별 신뢰성을 검증하며, 적층, 몰딩, 접합 조건의 산포를 줄이는 역량이 중요해졌습니다. 후공정 소재 국산화도 같은 맥락입니다. 언더필, 몰딩 컴파운드, 기판 같은 소재는 공급망 안정성뿐 아니라 접합 강도와 열 방출, 장기 신뢰성에 영향을 줍니다. 시장 경쟁도 성능 발표에서 안정 공급 경쟁으로 이동하고 있어요. HBM 공급사가 늘고 고객이 공급처를 나누면, 비슷한 성능을 갖춘 제품 가운데 더 높은 수율과 일정한 품질, 짧은 검사 시간으로 물량을 맞추는 기업이 선택받습니다. 결국 첨단 패키징은 제조의 마지막 단계가 아니라 AI 메모리의 성능과 채산성, 납기를 함께 완성하는 산업 영역이라고 볼 수 있죠. ② 기업 분석 SK하이닉스는 D램과 낸드를 기반으로 하되, HBM과 AI 서버용 고성능 메모리에 무게를 둔 프리미엄 메모리 기업입니다. 2013년 HBM을 개발한 뒤 적층과 열 관리 기술을 여러 세대에 걸쳐 축적했고, 현재는 HBM3E에서 HBM4, 나아가 고객별 요구를 반영한 커스텀 HBM으로 사업 모델을 확장하고 있는데요. 표준 규격 제품을 널리 판매하는 데서 벗어나 고객의 연산 구조와 제품 일정에 맞춰 함께 설계하고 검증하는 방향입니다. 회사의 과제는 선도 기술을 안정적인 공급 실적으로 바꾸는 일입니다. 2026년에는 기록적인 실적과 D램 점유율 하락이 함께 나타났고, 삼성전자와 마이크론의 HBM 추격도 거세졌습니다. 고객사가 공급망 위험을 줄이기 위해 물량을 여러 업체에 배분하면 먼저 개발한 사실만으로 우위를 지키기 어렵습니다. HBM4의 초기 수율, 품질 편차, 납기 대응력이 다음 물량을 좌우하게 됩니다. 그래서 SK하이닉스가 말하는 경쟁력도 성능 구현에서 끝나지 않고 안정적인 수율과 품질로 대량 공급하는 능력까지 포함합니다. 청주 P&T7 투자는 이 전략을 생산 현장으로 옮기는 대표 사례입니다. 총 19조 원 규모의 첨단 패키징 전용 팹에 웨이퍼 레벨 패키지와 웨이퍼 테스트 라인을 구축하고, 전공정 거점과 가까운 곳에서 불량 원인 피드백 속도를 높이려는 구상이에요. 채용에서도 공정 난제를 끝까지 파고드는 탐구력, 새로운 기술을 빠르게 익히는 적응력, 서로 다른 관점을 합치는 사고력을 앞세웁니다. 지원자는 회사의 강점을 칭찬하기보다 기술 우위를 수율과 공급 능력으로 완성해야 하는 현재 과제를 읽어야 합니다. ③ 직무 분석 양산기술(P&T)은 개발이 끝난 반도체를 수십만 개 규모로 같은 품질로 생산하도록 Package와 Test 공정을 구현하고 안정화하는 직무입니다. 연구실에서 한번 좋은 결과를 얻는 일과 여러 장비에서 24시간 같은 결과를 내는 일은 다릅니다. 한 접시 요리를 잘 만드는 사람이 아니라, 재료와 조리기구가 조금씩 달라도 천 접시의 맛을 일정하게 유지하는 운영 설계자에 가깝습니다. Package 업무는 웨이퍼 박막화와 절단, 다이 적층, 접합, 언더필과 몰딩, 솔더볼 부착까지 이어지는 공정에서 품질과 수율을 높이는 일입니다. 특정 장비나 소재 로트에서 불량이 늘면 조건 이력과 계측값을 나눠 보고, 가설을 세운 뒤 소규모 검증을 거쳐 양산 조건에 반영합니다. 장비의 처리량과 정렬 정확도를 높이고, 신규 소재의 접합 강도, 열 특성, 장기 신뢰성을 평가해 국산화를 추진하는 업무도 포함됩니다. 개선이 평균 수율을 올리는 일이라면 안정화는 장비, 교대조, 소재 로트 사이의 편차를 줄이는 일입니다. Test 업무는 제품 특성에 맞춰 검사 항목, 합격 기준, 온도와 전압 조건, 검사 순서를 설계하고 불량 원인을 분석하는 일입니다. 불량을 놓치지 않으면서 정상 제품을 잘못 탈락시키지 않아야 하고, 검사 시간도 짧아야 하므로 품질과 생산성의 균형이 필요해요. MES, FDC, 검사 판정 데이터에서 이상 신호를 찾고 SPC, DOE, FMEA로 원인을 좁힙니다. 성과는 수율, 불량률, 설비 효율, 사이클타임, 원가 저감으로 평가되며, 개발, 전공정, 설비, 품질, 구매 조직과 근거를 공유해 재발 방지까지 이어 가는 직무입니다. ■ 1번 항목 : 지원 분야 및 직무 역량과 관련된 프로젝트/공모전/논문/연구/학습/활동/경험 등을 작성해 주세요. (2000자) ■ 출제 의도 이 문항은 지원자가 반도체를 좋아하는지보다, 양산기술(P&T)의 일을 실제로 수행할 근거가 있는지를 확인하려는 항목입니다. 공고가 프로젝트, 공모전, 논문, 연구, 학습, 활동, 경험을 넓게 열어 둔 이유도 특정 전공명이나 활동 이력보다 그 안에서 무엇을 다뤘는지를 보겠다는 뜻인데요. Package라면 소재 물성, 열과 응력, 접합, 공정 조건을 이해했는지, Test라면 전기적 특성, 판정 기준, 데이터 처리, 검증 설계를 다뤄 봤는지가 중요합니다. 모든 직무에 통하는 협업이나 성실성보다, 특정 변수의 변화가 품질, 수율, 생산성에 어떤 영향을 주는지 분석한 근거를 찾는 문항이라고 볼 수 있죠. 평가자는 결과 수치만 확인하지 않습니다. 문제를 어떻게 정의했는지, 어떤 관찰에서 가설을 세웠는지, 여러 원인 가운데 무엇을 우선 검증했는지, 실험 조건과 비교 기준을 어떻게 정했는지까지 봅니다. 예를 들어 패턴 불량을 낮췄다고 썼다면 온도, 압력, 시간, 두께 가운데 왜 특정 변수를 골랐는지 설명해야 합니다. 장비명, 분석 도구, 데이터 규모, 반복 횟수, 실패 후 변경한 조건이 드러나면 우연히 좋은 결과를 얻은 것이 아니라 같은 문제를 다시 풀 수 있는 사람으로 읽혀요. 양산 현장에서는 평균값을 한 번 높이는 것보다 장비와 소재 로트가 바뀌어도 결과가 흔들리지 않게 만드는 재현성이 중요하기 때문입니다. 2000자라는 넉넉한 분량도 폭넓은 이력 나열을 요구한다는 뜻은 아닙니다. 평가자는 지원자가 여러 경험을 통해 관련 기반을 쌓았는지 짧게 확인한 다음, 가장 강한 경험 하나에서 사고의 깊이를 보려 합니다. 특히 SK하이닉스가 현재 강조하는 공정 난제 탐구 역량은 증상을 덮는 태도와 거리가 멉니다. 불량의 발생 위치와 실제 원인이 멀리 떨어져 있어도 데이터를 따라 끝까지 좁혀 가는 태도에 가깝습니다. 따라서 반도체 프로젝트가 없더라도 화학 실험의 배합 조건 최적화, 기계 설계의 공차 관리, 데이터 분석의 이상값 규명처럼 P&T 업무와 문제 구조가 비슷한 경험이면 평가할 수 있어요. 핵심은 경험의 이름이 아니라 변수 통제, 검증, 개선, 재현 가능성을 얼마나 구체적으로 증명하느냐입니다. ■ 풀이 방법 먼저 지원하려는 업무의 무게중심을 Package와 Test 가운데 하나로 정하세요. Package를 택한다면 소재, 장비, 공정 조건을 바꾸며 접합, 휨, 균열, 공극 문제를 개선한 경험을 우선 고릅니다. Test라면 판정 기준, 측정 데이터, 불량 분류, 검사 시간, 신뢰성 검증과 가까운 경험이 유리해요. 서두 150~200자에서는 필요한 역량을 “공정 변수를 데이터로 좁혀 품질과 수율의 흔들림을 줄이는 능력”처럼 업무 행동으로 설명하고, 자신이 그 능력을 갖췄다는 결론을 먼저 제시하세요. 추상적인 분석력이나 문제 해결력만 쓰면 설득력이 약합니다. 다음 300~400자에서는 관련 경험 두세 개를 짧게 정리하세요. 각 경험은 활동명보다 다룬 대상, 사용한 도구, 확인한 결과를 중심으로 한두 문장씩 쓰는 편이 좋습니다. 반도체 경험이 없더라도 공정 조건 최적화, 센서 데이터 이상 원인 규명, 기계 부품 공차 개선처럼 문제 구조가 비슷한 대목을 골라 P&T 언어로 바꾸면 됩니다. 다만 실제로 하지 않은 장비나 분석법을 추가해서는 안 됩니다. 본문의 70% 이상은 가장 강한 프로젝트 하나에 사용하세요. 목적과 본인 담당 범위를 밝힌 뒤 초기 현상, 수집 데이터, 원인 가설, 변수 선정 근거, 실험 설계, 실패와 수정, 최종 성과 순으로 풀어가면 흐름이 선명합니다. “27회 실험했다”에서 멈추지 말고 어떤 조건을 비교했고, 어느 결과로 후보를 줄였으며, 개선 뒤 다른 조건에서도 같은 결과가 나오는지 어떻게 확인했는지를 설명해보세요. 수율, 불량률, 산포, 처리시간, 강도, 오차의 전후 차이를 수치로 제시하면 좋습니다. 팀 과제여도 전체 활동보다 본인이 맡은 판단과 분석을 분리해 써야 합니다. 마지막 150~200자에서는 해당 방식이 장비 간 편차 분석, 신규 소재 검증, 테스트 조건 최적화 가운데 어디에 활용될 수 있는지만 짧게 연결하세요. 소제목은 본문을 모두 쓴 다음 정합니다. 경험 속 본인의 기능을 사물이나 전문 역할에 빗대되, 왜 그 표현인지 한 문장으로 설명할 수 있어야 해요. 미세한 조건 변화를 찾아 품질 흔들림을 낮춘 내용이라면 “[0.4도의 흔들림을 잡은 공정 튜너]”처럼 핵심 수치와 역할을 담을 수 있습니다. ■ 상위 1% 예시 [공극의 흔적을 판독하는 공정 감식관] 양산기술 P&T에 필요한 역량은 공정에서 발생한 이상을 계측값으로 분해하고, 영향 변수를 좁힌 뒤, 다른 조건에서도 재현되는 기준으로 바꾸는 능력이라고 생각합니다. 이를 준비하며 반도체 공정실습에서 포토 공정의 노광 시간별 선폭 편차를 측정했고, 재료분석 실험에서는 에폭시의 경화 온도에 따른 열팽창계수 변화를 비교했습니다. 또한 Python으로 설비 진동 데이터 3만 건을 정제해 이상 구간을 분류하며 데이터 처리 기반을 쌓았습니다. 각 활동에서 장비명이나 분석법을 외우는 데 머물지 않고 입력 조건, 측정값, 품질 결과의 관계를 기록했습니다. 공정실습에서는 관리도를 작성해 평균 선폭이 같아도 산포가 다른 조건을 구분했고, 재료실험에서는 DSC 결과와 접합 강도를 함께 비교해 경화도가 높다고 접합 품질까지 항상 좋아지는 것은 아니라는 점을 확인했습니다. 가장 깊게 수행한 경험은 2025년 3월부터 6월까지 진행한 패키지용 에폭시 접합 공극 저감 프로젝트입니다. 목표는 다이 접합 시편의 평균 공극 면적률을 초기 10%대에서 3% 이하로 낮추는 것이었습니다. 저는 4인 팀에서 실험 설계와 데이터 분석을 맡았습니다. 초기 시편 20개를 제작한 결과 평균 공극 면적률은 11.8%였고, 같은 조건에서도 6.2%에서 16.4%까지 편차가 컸습니다. 팀은 점도 자체를 원인으로 보았지만, 저는 공극의 위치가 시편 중앙보다 가장자리에 몰린다는 점에 주목했습니다. 재료 문제라면 위치와 무관하게 나타날 가능성이 높지만, 가장자리 집중은 도포량과 가열 과정에서 공기가 빠져나가는 경로가 영향을 준다는 신호라고 판단했습니다. 우선 X-ray 이미지 120장을 ImageJ로 이진화해 공극 면적과 위치를 수치화했습니다. 이어 도포량, 기판 예열 온도, 진공 유지 시간을 후보 변수로 정하고 사전 실험을 수행했습니다. 도포량을 늘리면 가장자리 공극은 줄었지만 접합층 두께가 기준을 벗어났고, 예열 온도를 높이면 점도는 낮아졌으나 경화 시작이 빨라져 중앙 공극이 늘었습니다. 점도계로 예열 온도별 점도 변화를 측정하고 DSC로 경화 개시 구간을 확인해 두 현상이 함께 발생하는 온도대를 찾았습니다. 이 결과를 바탕으로 도포량은 규격 범위 안에서 고정하고, 예열 온도와 진공 유지 시간을 핵심 변수로 좁혔습니다. 두 변수에 각각 세 수준을 두고 9개 조건을 구성한 뒤 조건별로 3회씩 총 27회 실험했습니다. 시편 제작 순서가 결과에 섞이지 않도록 조건 순서를 무작위로 배치했고, 접합 압력과 경화 시간은 동일하게 유지했습니다. Python으로 분산분석을 수행한 결과 진공 유지 시간이 공극 면적률 변화의 46%, 예열 온도가 31%를 설명했습니다. 다만 1차 최적 조건에서는 평균값이 3.4%까지 내려갔지만 표준편차가 1.6%p로 높았습니다. 원자료를 다시 확인해 보니 예열 후 접합까지 걸린 대기 시간이 18초에서 42초까지 달랐습니다. 이 시간이 길수록 에폭시 점도가 다시 높아져 결과가 흔들렸습니다. 이에 예열 완료 후 20초 안에 접합하도록 작업 순서를 표준화하고, 시편 두께 측정 위치도 네 모서리와 중앙으로 고정했습니다. 수정 조건으로 15개 시편을 추가 제작한 결과 평균 공극 면적률은 2.6%, 표준편차는 0.5%p로 낮아졌습니다. 서로 다른 에폭시 로트 3개에서도 2.5%에서 2.9% 범위를 유지해 재현성을 확인했습니다. 최종적으로 초기 대비 공극 면적률을 78% 낮추고, 합격 시편 비율을 35%에서 93%로 높였습니다. 조건표에는 수치만 남기지 않고 예열 완료 시점, 접합 시작 시점, 측정 위치, 로트 정보를 필수 기록값으로 지정해 후속 팀도 같은 절차를 반복할 수 있게 했습니다. 이 경험을 통해 평균값을 개선하는 것만으로는 양산 조건이 완성되지 않으며, 작업 순서와 소재 로트가 바뀌어도 편차가 작아야 한다는 기준을 세웠습니다. SK하이닉스에서도 Package 공정의 불량 위치와 조건 이력을 함께 읽고, 장비와 소재의 변동을 수율 안정화로 바꾸는 엔지니어가 되겠습니다. ■ 2번 항목 : AI를 활용한 프로젝트/공모전/논문/연구/문제 해결 경험 등을 작성해 주세요. (2,000자) ■ 출제 의도 이 문항은 생성형 AI를 사용한 횟수나 유명 도구를 아는지를 확인하려는 항목이 아닙니다. 해결할 문제를 사람이 정의하고, AI에 맡길 범위와 사람이 책임질 범위를 나눈 뒤, 결과를 검증해 성과로 바꿀 수 있는지를 보려는 문항인데요. 공고가 아이디어를 묻고 답을 받아 문서를 만든 경험을 제외하고, 도구명, 사용 방식, 프롬프트, 본인의 판단, 후보 압축 과정을 요구하는 이유도 여기에 있습니다. 평가자는 AI가 주인공인 글보다, AI의 속도와 범위를 이용하되 오류와 맥락 부족을 사람이 통제한 글을 높게 평가합니다. SK하이닉스는 AI를 제조 업무에 내재화하는 방향을 제시하고 있으며, P&T 현장에는 MES 이력, 장비 센서값, 검사 판정, 불량 이미지처럼 방대한 데이터가 쌓입니다. AI는 이상 패턴 탐색, 자료 분류, 코드 초안, 보고서 정리, 이미지 판독 보조에 활용될 수 있어요. 그러나 라인을 멈출지, 검사 기준을 바꿀지, 특정 소재를 양산에 적용할지는 비용과 고객 품질이 걸린 판단입니다. 따라서 평가자는 지원자가 AI의 결과를 그대로 따르지 않고 기준값, 원본 데이터, 전문가 지식, 별도 표본으로 다시 확인했는지를 살핍니다. 데이터 보안과 출처 관리에 대한 인식도 중요합니다. 문항이 기간과 본인 역할을 요구하는 것은 경험의 진위를 면접에서 재현하려는 의도입니다. 사용한 도구를 어떤 순서로 연결했는지, 첫 출력의 오류가 무엇이었는지, 프롬프트나 데이터 전처리를 어떻게 바꿨는지, 최종 선택을 어떤 근거로 내렸는지가 드러나야 해요. 예를 들어 AI가 불량 후보를 100건에서 15건으로 줄였더라도, 사람이 기준을 설계하고 오탐을 검토해 최종 6건을 확정했다면 핵심 성과는 후보 생성보다 판단 체계입니다. 결과는 시간, 정확도, 누락률, 처리량, 채택률 가운데 적합한 수치로 제시해야 합니다. 결국 이 항목은 변화 적응력과 공정 문제 해결력을 함께 봅니다. 새로운 도구를 빨리 쓴 사실보다, 과업을 나누고 여러 도구를 하나의 흐름으로 엮으며 AI가 약한 부분을 본인의 지식으로 보완한 경험이 필요합니다. 지원 직무에서 다시 활용할 수 있는 구조까지 설명하면 기술 유행을 좇은 사람이 아니라 제조 문제를 책임 있게 풀 수 있는 지원자로 읽힙니다. ■ 풀이 방법 경험은 “AI를 써 보았다”가 아니라 P&T 업무와 문제 구조가 가까운 사례로 고르세요. 센서나 실험 데이터에서 이상값을 찾은 경험, 이미지와 문서를 분류한 경험, 반복 분석 코드를 만든 경험이 적합합니다. 첫 200자 안에는 수행 기간, 해결 과제, 본인 역할, 성과를 먼저 제시하세요. “2025년 3월부터 6월까지 품질 데이터 8천 건의 분류 프로젝트에서 전처리와 검증 기준 설계를 맡아 처리 시간을 70% 줄였다”처럼 범위가 보여야 합니다. 본문에서는 과업을 AI가 맡은 부분과 본인이 맡은 부분으로 나누세요. 반복 분류, 후보 생성, 초안 작성, 넓은 범위 탐색은 AI에 맡길 수 있습니다. 문제 정의, 입력 데이터 선별, 기준값 설정, 맥락 해석, 오류 검토, 최종 선택은 본인이 책임졌다고 쓰는 편이 좋습니다. 역할을 선언하는 데서 끝내지 말고, 정형화된 패턴은 AI가 빠르지만 공정 조건의 의미나 예외 판단에는 도메인 지식이 필요했다는 식으로 배분 근거를 제시하세요. 사용한 도구는 실제 작업 순서대로 적습니다. Python으로 데이터를 정제하고 OCR로 문서를 텍스트화한 뒤 LLM으로 분류 후보를 만들고 사람이 원본과 대조했다면, 각 단계의 입력과 출력을 설명하세요. 프롬프트도 “분석해 달라고 했다”보다 역할, 데이터 범위, 판단 기준, 예시, 출력 형식을 어떻게 넣었는지 보여 주는 편이 낫습니다. 첫 결과에서 누락이나 오분류가 생겼다면 프롬프트, 전처리, 기준표를 어떻게 수정했는지 적어보세요. RAG, 벡터DB, 멀티모달은 구현한 경우에만 써야 합니다. 검증 과정은 구체화하세요. AI 출력 일부를 원본과 비교했는지, 기존 수작업 결과와 정확도를 비교했는지, 다른 사람이 같은 기준으로 재검토했는지 밝히면 됩니다. 성과는 시간 단축과 함께 정확도, 누락률, 오탐률, 처리량 가운데 하나를 제시해 품질까지 관리했음을 보여 주세요. 마지막에는 이 경험을 P&T의 불량 데이터 분류, 검사 로그 요약, 공정 이상 후보 탐색에 연결하되, 라인 판단과 조건 변경은 사람이 데이터로 검증해야 한다는 원칙으로 마무리하세요. 소제목은 “[8,000건, 70% 단축, 오탐 3%]”처럼 기간, 도구, 성과 중 가장 강한 사실을 짧게 앞세우면 좋습니다. ■ 상위 1% 예시 [1,260건을 52분으로 바꾼 AI 분류 파이프라인] 2025년 9월부터 12월까지 스마트팩토리 수업에서 설비 정비 보고서 1,260건을 분류하고 핵심 조치 내용을 정리하는 AI 프로젝트를 수행했습니다. 기존에는 담당자가 PDF와 촬영 이미지를 한 건씩 읽어 고장 유형을 분류했으며, 전체 자료를 처리하는 데 약 18시간이 걸렸습니다. 저는 4인 팀에서 데이터 전처리, 도구 연결, 프롬프트 설계, 성능 검증을 맡았습니다. 목표는 처리 속도를 높이면서도 중요한 고장 유형의 누락을 5% 이하로 관리하는 것이었습니다. 먼저 과업을 AI에 맡길 부분과 사람이 책임질 부분으로 나눴습니다. OCR을 통한 텍스트 추출, 반복되는 고장 표현의 분류 후보 생성, 조치 내용의 형식 통일은 AI가 빠르게 수행할 수 있다고 보았습니다. 반면 고장 유형 정의, 설비 코드 해석, 안전 관련 표현의 중요도 판단, 최종 분류 확정은 사람이 맡아야 했습니다. 같은 진동이라는 표현도 베어링 마모에서 비롯된 현상일 수 있고 체결 불량의 징후일 수 있어 문장 빈도만으로 원인을 확정하면 안 된다고 판단했기 때문입니다. 파이프라인은 Python, OpenCV, Tesseract OCR, 임베딩 모델, 벡터 데이터베이스, LLM API 순으로 구성했습니다. OpenCV로 기울기와 명암을 보정한 뒤 OCR로 문서를 텍스트화했고, 설비 코드, 발생 현상, 조치 내용, 교체 부품을 정규식으로 분리했습니다. 외부 API에는 설비명과 작업자 정보를 비식별화한 텍스트만 전송하고, 원본 이미지는 로컬에서 처리했습니다. 이어 팀이 정리한 고장 유형 8개와 유형별 판단 기준, 대표 예시를 임베딩해 벡터 데이터베이스에 저장했습니다. 각 보고서가 들어오면 유사 기준과 예시를 검색해 LLM에 함께 제공하도록 하여, 모델이 일반 지식보다 프로젝트 기준표를 우선 참고하게 했습니다. 프롬프트에는 설비 정비 분석가라는 역할, 허용된 8개 유형, 분류 근거가 되는 원문 문장, 신뢰도, 추가 확인 필요 여부, JSON 출력 형식을 명시했습니다. 또한 경계 사례 6건을 예시로 넣어 진동, 소음, 온도 상승처럼 여러 유형에 걸칠 수 있는 표현의 판정 순서를 제시했습니다. 첫 실행에서는 정확도가 72%에 머물렀고, 원문에 없는 고장 원인을 보완해 쓰거나 소음과 진동 유형을 혼동하는 문제가 나타났습니다. 저는 모델의 설명 능력을 늘리는 대신 판단 범위를 줄이는 쪽을 택했습니다. 원인 추정 생성을 제거하고, 반드시 원문 근거 문장을 반환하게 했으며, 신뢰도 0.78 미만은 미분류로 보내 사람이 확인하도록 규칙을 바꿨습니다. 데이터 품질도 다시 점검했습니다. OCR 오류가 잦은 설비 코드 34개를 사전으로 만들어 교정했고, 숫자 0과 영문 O처럼 자주 섞이는 문자를 문맥에 따라 치환했습니다. 보고서 200건은 2명이 각각 라벨링한 뒤 불일치 항목을 토론해 기준을 확정했고, 이 표본을 학습용 예시와 평가용 데이터로 분리했습니다. 평가에서는 전체 정확도만 보지 않고 유형별 재현율과 혼동 행렬을 확인했습니다. 특히 안전과 관련된 과열, 누유 유형은 누락 비용이 크다고 보고 해당 유형의 신뢰도 기준을 더 높게 설정했습니다. 수정 뒤 평가용 160건에서 Macro F1은 0.72에서 0.91로 높아졌고, 안전 관련 두 유형의 재현율은 각각 0.95와 0.93을 기록했습니다. 전체 1,260건은 52분 안에 처리됐으며, 79건은 신뢰도 기준에 따라 사람 검토 대상으로 분리했습니다. 이 가운데 11건의 오분류를 찾아 수정해 최종 정확도 94%를 확보했습니다. 기존 수작업과 비교하면 초안 분류에 쓰던 시간을 크게 줄이면서도, AI가 확신하지 못한 사례를 사람이 확인하는 통제 구조를 만들었습니다. 이 프로젝트에서 AI는 문서를 넓고 빠르게 읽는 역할을 했고, 저는 기준을 설계하고 오류를 좁히며 최종 품질을 책임졌습니다. P&T 업무에서도 AI를 검사 로그 요약, 불량 후보군 분류, 반복 보고서 정리에 활용하되, 공정 조건 변경과 양산 적용 여부는 원본 데이터와 엔지니어의 검증을 거쳐 판단하겠습니다. #SK하이닉스 #SK하이닉스채용 #SK하이닉스자소서 #SK하이닉스자기소개서 #SK하이닉스양산기술(P&T) #SK하이닉스양산기술(P&T)자소서 #SK하이닉스양산기술(P&T)자기소개서 #양산기술(P&T)자소서 #양산기술(P&T)자기소개서 #자기소개서작성법
