2024년 어느 날, 삼성 반도체 공장

"이 불량 패턴, 작년에도 본 것 같은데..."

화성 캠퍼스 FAB(반도체 제조동). 엔지니어 김 과장이 모니터를 바라본다. 웨이퍼 검사 데이터에서 이상한 패턴이 나타났다. 불량률이 평소 0.3%에서 갑자기 1.2%로 뛰었다.

문제는 원인을 찾는 시간이다.

---

기존 방식: 3일

[기존 불량 분석 프로세스]

Day 1: 불량 데이터 수집 & 분류
       ├── 웨이퍼 맵 분석 (수동)
       ├── 공정 로그 확인 (300GB+)
       └── 설비 이력 조회 (ERP 시스템)

Day 2: 원인 추정 & 실험
       ├── 유사 사례 검색 (과거 보고서 500건+)
       ├── 설비 파라미터 비교
       └── 전문가 회의

Day 3: 대책 수립 & 적용
       ├── 보고서 작성
       ├── 대책 실행
       └── 효과 확인

3일 동안 생산 라인은 불량품을 계속 만들고 있다. 웨이퍼 1장 = 수백만 원. 하루 수천 장 생산. 3일이면 수십억 원의 손실이다.

---

AI 도입 후: 30분

[AI 기반 불량 분석]

0~5분:  AI가 불량 패턴 자동 감지
        ├── 웨이퍼 맵 이미지 분석 (CNN)
        └── "Edge Ring 마모 패턴" 탐지

5~15분: LLM이 과거 사례와 매칭
        ├── 유사 사례 3건 자동 검색
        ├── 공정 파라미터 이상치 탐지
        └── 원인 추정: "Etch Chamber #3 RF Power 편차"

15~30분: 대책 자동 생성
         ├── 설비 파라미터 조정값 제안
         ├── 보고서 초안 자동 생성
         └── 유지보수 일정 제안

30분이면 원인 파악부터 대책까지 나온다.

---

이것이 제조 AI의 힘이다

비교 항목	기존 방식	AI 도입 후
불량 원인 분석	3일	30분
설비 매뉴얼 검색	1시간	10초
보고서 작성	4시간	15분
과거 사례 검색	반나절	3초
신입 교육	6개월	2개월

💡 핵심 포인트: 제조 현장에서 AI는 "있으면 좋은 것"이 아니라 **"없으면 경쟁에서 탈락하는 것"**이다. 이번 주에 직접 체험해보자.

이 모든 것의 핵심에 **LLM(Large Language Model)**이 있다.

이번 주에 우리는 이 LLM을 직접 다뤄보고, 제조 현장에서 바로 쓸 수 있는 챗봇을 만든다.

준비됐는가? 시작하자.