• 목록

<청취 후기>
세션: FP63 LLM & TIme Series
제목: Seeing Sequences like Humans: Pattern Classification Driven Time-Series Forecasting via Vision Language Models
 본 연구는 시계열 모델이 사람이 시계열 데이터를 보는 방식으로 모델이 시계열 데이터를 보고 예측을 수행하도록 하는 방법론을 통해 모델 정확성과 해석 가능성을 높였다.  인간은 시계열 데이터의 숫자값을 보는 것이 아닌, 그림을 통해 시각화 하고, 데이터의 전체적인 경향성을 파악한다. 이와 비슷한 방식으로 모델이 시계열 데이터에 대해 이미지로 시각화한 데이터를 LLM 모델에 전달하면 LLM 모델이 해당 데이터가 어떤 경향성( Periodic, semi-periodic, Trending, Irregular)인지 파악하고, LLM의 판단에 맞는 예측 Experts의 예측을 고려하여 전체적인 예측을 수행한다. 사람이ㅏ 보는 방식으로 모델이 학습하도록 데이터를 주고, Mixture of Experts를 이용하여서 예측 정확도를 높이는 것이 인상깊었다.

세션: ARS3: Forecasting and Operational Optimization
제목: Development of Autonomous Failure Maintenance System for Semiconductor Manufacturing
본 연구는 반도체 제조 장비에서 발생하는 장애를 사람이 분석하듯 “이해 → 원인 추론 → 대응 실행”의 전체 과정을 모델이 스스로 수행하도록 설계한 점이 인상적이다. 기존 방식은 센서 기반 시계열 분석과 전문가 의존적 진단에 기대기 때문에, 새로운 유형의 장애나 복합 장애 상황에서 대응 속도와 정확도가 떨어지는 문제가 있었다. 이러한 문제를 해결하기 위해 본 연구는 시스템은 실시간 로그 흐름을 분석해 이벤트 간 전파 관계를 그래프로 구성하고, Betweenness Centrality로 영향도가 큰 이벤트를 선별한 뒤, LLM 기반 의미적 스코어링을 통합하여 최종 장애 원인을 판단한다. 장애 원인이되는 변수들이 굉장히 많은 상황에서 Betweenness Centrality을통해 이상 탐지 및 원인 분석의 연산량을 줄이고, LLM을 통해 원인에 대한 해석력을 높인  것이 인상 깊었다.