KAIST, 시계열 도메인 적응 기술 개발… 성능 최대 9.42% 향상재학습·추가 레이블링 없이 불량 패턴 자동 보정
  • ▲ 사진 오른쪽부터 나지혜 박사과정, 우 이재길 교수.ⓒKAIST
    ▲ 사진 오른쪽부터 나지혜 박사과정, 우 이재길 교수.ⓒKAIST
    KAIST(총장 이광형)는 전산학부 이재길 교수 연구팀이 제조 공정이나 설비가 바뀌어도 기존 AI 모델을 추가적인 불량 레이블링 없이 활용할 수 있는 새로운 ‘시계열 도메인 적응’ 기술을 개발했다고 26일 밝혔다.

    ‘시계열 도메인 적응(Time-series Domain Adaptation)’ 기술은 시간에 따라 변하는 데이터(온도 변화, 기계 진동, 전력 사용량, 센서 신호 등)를 다루는 AI 모델이 훈련받은 환경과 실제 적용 환경이 달라져도 추가 학습 없이 안정적인 성능을 유지하도록 돕는다.

    이재길 교수팀은 성능 저하의 원인이 단순한 데이터 분포 차이가 아니라 불량 발생 패턴(레이블 분포) 자체가 변하는 데 있다는 점에 착안했다. 예컨대 반도체 웨이퍼 공정에서 환형 불량과 스크래치 불량의 비율이 설비 변경으로 달라질 수 있다는 것이다.

    연구팀은 새로운 공정의 센서 데이터를 추세, 비추세, 주파수 세 가지 성분으로 분해해 각각의 특성을 파악하는 방법을 개발했다. 이는 사람이 기계 소리의 높낮이, 진동 패턴, 주기적 변화를 종합적으로 감지하는 방식과 유사하다.

    이를 바탕으로 기존 모델의 예측값을 새로운 공정의 데이터 군집 정보와 비교해 자동으로 보정하는 ‘TA4LS(Time-series domain Adaptation for mitigating Label Shifts)’ 기술을 선보였다. 기존 불량 패턴에 치우친 예측을 새로운 공정 환경에 맞게 조정할 수 있는 것이다.

    특히 이 기술은 별도의 복잡한 개발 과정 없이 플러그인 모듈처럼 기존 AI 모델에 결합할 수 있어 활용도가 높다. 현재 사용 중인 AI 기술에도 간단히 적용 가능하다는 점에서 실용성이 크다.

    실험 결과, 시계열 도메인 적응 벤치마크 4개 데이터셋에서 기존 방법 대비 최대 9.42% 정확도 향상을 달성했다. 레이블 분포 차이가 큰 경우에도 스스로 보정해 성능 개선 효과가 두드러졌다. 이는 다품종 소량생산이 일반적인 스마트팩토리 환경에서 불량률을 최소화하는 데 도움이 될 것으로 평가된다.

    이재길 교수는 “제조업에서 인공지능 도입의 가장 큰 걸림돌이던 공정 변경 시 재훈련 문제를 해결한 기술”이라며 “실용화되면 유지 비용 절감과 불량 탐지율 개선을 통해 스마트팩토리 확산에 기여할 것”이라고 말했다.

    이번 연구는 KAIST 전산학부 나지혜 박사과정 학생이 제1저자, 남영은 박사과정과 LG AI 연구원 강준혁 연구원이 공동 저자로 참여했다. 연구 결과는 세계적 권위의 인공지능·데이터 학회인 ‘KDD 2025(ACM SIGKDD Conference on Knowledge Discovery and Data Mining)’에서 8월 발표됐다.