① 어떤 상황에서 AI를 활용했나요?
반도체 기판 공장에서 6년간 공정·품질 엔지니어로 일했습니다. 불량이 나면 해당 LOT의 약액 보충·교체 기록, 설비 투입 이력, 열처리 온도 기록, 검사기 불량 위치가 각각 다른 시스템과 엑셀에 흩어져 있었습니다. 이걸 모아 정리하는 데만 반나절 가까이 걸려, 정작 원인을 고민할 시간이 부족했습니다. 개발자가 아니어서 직접 프로그램을 만들 생각은 하지 못하고 있었습니다.

② 어떤 AI를 어떻게 활용했나요?
ChatGPT와 Claude를 코딩 파트너로 썼습니다. 먼저 제 업무 흐름(LOT 확인 → 약액 이력 → 온도 기록 → 불량 위치 → 정상 LOT 비교 → 원인 후보 정리)을 글로 적어 AI에게 설명했습니다. 회사 데이터는 쓸 수 없어서, 현업 경험을 바탕으로 구조가 같은 합성 데이터(120 LOT)를 먼저 만들게 했습니다. 이후 관리도·공정능력(Cpk), 불량 위치 지도, 예방보전 우선순위, PDF 보고서 같은 기능을 하나씩 요청하고 확인했습니다. 에러가 나면 메시지를 그대로 붙여 넣어 원인을 물었습니다. 완성한 앱은 Streamlit으로 웹에 공개하고 코드는 GitHub에 올렸습니다(커밋 72회).

③ 활용 결과 어떤 변화가 있었나요?
이제 LOT 번호를 입력하면 흩어져 있던 기록이 한 화면에 모이고, 기준을 벗어난 항목이 자동으로 먼저 표시됩니다. 시연 LOT(DEMO-0045) 기준으로 이력 통합 화면이 약 6.7초, 설비별 종합 분석이 5.8초, 조사 보고서 PDF가 4.5초 만에 준비되어 버튼 3번에 약 17초가 걸렸습니다. 이 LOT에서는 1,600 PCS 중 ABF 불량 402 PCS가 나왔고, 앱이 ‘CZ 약액 상태 또는 계측 이상'을 우선 확인할 원인 후보로 제시하면서 다음에 해 볼 확인시험(시편 반복 측정, 보충 전후 비교)까지 정리해 주었습니다.

④ 나만의 방식 또는 개선 포인트는?
AI가 만든 결과를 그대로 믿지 않고 현장 기준으로 고쳤습니다. 검사기는 유닛마다 처음 잡힌 대표 불량 하나만 저장하기 때문에, 화면의 불량률을 ‘ABF 대표 불량률'로 표시하게 했습니다. 정상 LOT과의 비교는 같은 모델끼리만 하고, 비교할 LOT이 3개 미만이면 판단을 보류하도록 했습니다. 예측 모델의 설명값은 원인이 아니라고 화면에 밝히고, 시간순 검증을 통과할 때만 참고 자료로 쓰도록 했습니다. AI는 코드를 빨리 써 주지만, 무엇을 왜 봐야 하는지는 현장을 아는 사람이 정해야 한다는 걸 배웠습니다.

⑤ 다른 사람도 따라 할 수 있나요?
네. 코딩을 몰라도 매일 반복하는 일을 순서대로 적을 수 있으면 시작할 수 있습니다. '업무 흐름 적기 → 합성 데이터 만들기 → 기능 하나씩 요청 → 현장 기준으로 검증 → 무료 공개'의 5단계와 바로 쓸 수 있는 요청 문장 틀을 첨부 가이드에 정리했습니다. 시연 앱과 코드도 누구나 열어 볼 수 있으며, 도메인에 대한 이해만 갖춘다면 지속 개선&업그레이드 가능합니다.