🏆90분
도전 과제: Bayesian 최적화 기반 공정 조건 자동 추천 시스템
Day 3: 공정 최적화
도전 과제: Bayesian 최적화 기반 공정 조건 자동 추천 시스템
생산 최적화 — 스마트 팩토리 AI > Day 3: 공정 최적화
요구사항
사출성형 공정(온도, 압력, 사출속도, 냉각시간 4개 변수) 데이터셋으로 품질-비용 다목적 최적화를 수행한다
Optuna로 Bayesian 최적화를 50회 시행해 Pareto Front를 산출한다
다목적 최적화 결과를 matplotlib 산점도로 시각화한다 (불량률 vs 사이클타임)
RAG + LLM(GPT-4o)으로 과거 공정 이력 5건을 검색해 자연어 추천 리포트를 생성한다
최적 조건 Top 3안을 비용/품질/에너지 관점에서 비교한 의사결정 매트릭스를 작성한다
평가 기준
- • Bayesian 최적화 구현의 정확성 (Objective 정의, Trial 수렴)
- • Pareto Front 시각화 및 다목적 해석의 명확성
- • RAG 컨텍스트 검색과 LLM 프롬프트 설계 품질
- • Top 3안 비교 매트릭스의 정량적 근거
보너스
- • 에너지 비용을 3번째 목적함수로 추가해 3D Pareto 시각화
- • 최적 조건 적용 시 연간 절감 효과 ROI 산출
AI로 학습하기 — 꿀팁
🤖Bayesian 최적화 파라미터 설계 검토AI 학습 팁
Bayesian 최적화 기반 공정 조건 추천 시스템 구현 시 탐색 공간 정의와 획득 함수 선택이 성능을 좌우합니다. 설계 초안을 AI와 함께 검토하세요.
내가 설계한 Bayesian 최적화 기반 공정 조건 자동 추천 시스템 사양:
- 최적화 대상 KPI: {KPI 붙여넣기}
- 제어 가능 인자 및 범위: {인자 목록 붙여넣기}
- 사용 라이브러리/프레임워크: {붙여넣기}
- 획득 함수 선택: {붙여넣기}
다음을 검토해줘: (1) 탐색 공간 정의가 현장 제약(설비 한계·안전 범위)을 반영하는가, (2) 획득 함수 선택이 탐색-활용 균형에 적합한가, (3) 실제 공정에서 베이지안 최적화를 배포할 때의 주요 리스크 3가지와 완화 방안.이 팁이 도움이 됐나요?