삼성전자

세대 갈등은 어느 한 세대의 잘못이 아니라 살아온 환경이 달라 각자의 가치관과 소통 방식에서 발생한 차이에 기인한 현상이며, 이를 해결하기 위해 서로 이해하고 배려하는 것이 중요하다고 생각합니다. 하지만 세대 차이 극복을 위해 노력한다고 응답한 사람의 비율은 49.5%로 절반도 되지 않았습니다. 그렇기에 지속적인 대화의 자세와 기회를 가지는 것이 가장 중요하다고 생각합니다. 차이는 잘못된 것이 아닌 다른 것임을 인지하고 자신과 의견이 다른 사람과 대화하려고 노력해야 합니다. 그리고 자신의 주장만을 관철시키는 것이 아닌 자신의 의견이 틀릴 수 있다는 생각을 가지고 포용의 자세로 대화에 임해야 합니다. 삼성전자는 내부적으로는 동아리 활동과 임직원들과의 소통을 장려하여 조직원들 간의 화합을, 외부적으로는 소통협의회를 구성하여 지역 사회와 상생을 위해 노력하고 있습니다. 이렇듯 문제에 회피하는 자세보다는 적극적으로 그 문제를 받아들이고 해결하고자 하는 노력이 필요합니다. 오래전부터 이어온 세대 갈등이지만 서로의 다름을 인지하고 이해하면서 꾸준히 노력한다면 세대 갈등은 반드시 해결될 수 있는 문제라 확신합니다. [레이저에 의한 가공 결함 분석을 위한 라만 분광법 활용] 정확한 단면 분석을 위해 레이저 가공에 의한 결함은 제거되어야 하며 이를 위해 라만 분광법을 적용하였습니다. 레이저 가공에 의한 기계적, 열적 영향부를 파악할 필요가 있습니다. 기계적 결함은 SEM/EDS를 통해 관측되어 파악이 가능하나, 열적 영향부는 관측이 불가능하였습니다. 이러한 문제를 해결하기 위해 논문을 찾던 중 라만 분광법으로 결함, 결정도, 잔류 응력 등을 측정할 수 있음을 알게 되었습니다. 라만 분광법을 적용하여 레이저 가공으로 제작된 Si wafer 단면의 비정질화는 확인되지 않았으며, 열에 의한 인장 잔류 응력이 1 ??????m 미만으로 확인되었습니다. 따라서 레이저 가공 결함을 제거하기 위해 필요한 FIB 가공 시간을 계산할 수 있었습니다. [실습을 통한 데이터 분석 역량 강화] 파이썬과 실제 제조업 데이터를 활용한 데이터 분석 프로젝트를 수행하며 데이터 분석력을 키웠습니다. Wafer 공정 불량 진단 프로젝트를 수행하면서 데이터 프레임에 존재하는 결측치 제거와 데이터 정규화를 수행하였습니다. 그 후, wafer 불량을 진단하는 머신러닝 모델을 구축하였으나 정확도가 떨어진다는 문제점이 발생하였습니다. 불량으로 판정된 데이터의 수가 부족하여 학습이 제대로 진행되지 않아 발생한 문제점을 파악하였고, oversampling을 통해 불량인 데이터와 유사한 데이터를 생성하여 학습에 활용하였습니다. 이후 3개의 지도 학습 모델을 활용하여 학습을 진행하였고, 그중 Xgboost 모델을 활용하여 96% 정밀도와 97%의 재현율을 가지는 불량 진단 모델을 만들었습니다. 그 외에도 다양한 프로젝트를 수행하면서 데이터 시각화, 주요 파라미터 선정 방법을 배웠습니다. 위의 경험을 통해 공정 기술 엔지니어에게 필요한 공학적 분석력과 데이터 분석력을 키웠고 이를 바탕으로 photo 공정에서 발생하는 overlay issue를 데이터 분석으로 feedback 하여 생산성 향상에 기여할 수 있도록 하겠습니다.