어느 반도체 공장의 아침

아래는 이 교재가 만든 가상의 장면이다. 특정 회사의 사례가 아니고, 나오는 숫자는 계산 방법을 보이기 위한 가정이다. 사내 보고서에 이 수치를 옮기지 않는다.

"이 불량 패턴, 작년에도 본 것 같은데..."

FAB(반도체 제조동)의 아침. 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.

손실은 웨이퍼 전량이 아니라 늘어난 만큼에서 생긴다. 0.3%가 1.2%가 되었으니 차이는 0.9%다. 하루 3,000장을 뽑고 1장을 300만 원으로 잡으면, 늘어난 불량은 하루 27장이니 8,100만 원이고 사흘이면 2억 4천만 원이다. 전량이 못 쓰게 된다는 전제라야 "사흘에 수십억"이 나오는데, 그 전제는 불량률이 1.2%라는 이 장면과 맞지 않는다. 제조 재직자는 이런 계산을 바로 알아본다. 자리를 옮겨 붙일 숫자일수록 전제부터 적는다.

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 AI에 거는 기대다

아래 표는 이 장면에서 잡은 목표치이지 측정값이 아니다. 공개된 도입 사례의 수치는 회사마다 측정 조건이 달라 그대로 옮겨 쓸 수 없다.

💡 핵심 포인트: AI가 대신하는 것은 판단이 아니라 찾는 시간이다. 원인을 좁히는 데 걸리던 사흘이 줄어드는 것이지, 원인을 확정해 주는 것이 아니다. 이번 주에 그 경계를 직접 확인한다.

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

이번 주에 우리는 이 LLM을 직접 다뤄보고, 제조 도메인 Q&A 챗봇을 만든다. 매뉴얼을 검색해 근거를 붙이는 일은 다음 주(W2 RAG)의 몫이다.