삼성전자

삼성전자는 연간 20조 원 이상을 R&D에 투자함으로써 지속적인 발전과 혁신을 주도하며 ‘초격차’를 입증하고 있습니다. 최근에는 NPU 성능을 14.7배 향상한 SoC를 개발 등을 통해 온디바이스 AI 사업을 선도하며 기존 클라우드 기반 AI의 한계를 극복했습니다. 나아가 프로액티브 AI라는 또 다른 혁신을 위한 반도체 개발에도 주력하고 있다는 사실이 인상 깊었습니다. 삼성전자의 이러한 혁신 추구는 매일 조금이라도 더 배우고 성장하자는 제 가치관과 일치하여 지원하였습니다. 빠르게 변화하는 기술 환경 속에서, 현실에 안주하지 않고 지속적인 배움을 추구하는 것은 소프트웨어 개발자에게 가장 중요한 역량이라고 생각합니다. 이를 위해 현장실습에 참여하여 F1-score 0.94를 달성한 AI 모델을 개발했습니다. 이를 통해 반도체에 대한 지식과 문제 해결 능력을 길렀습니다. 입사 후 DS University와 같은 사내 시스템을 적극 활용하여 최신 기술에 민감하게 반응하는 개발자가 되겠습니다. 특히 AI 및 Computer Vision에 대한 심층적인 학습을 통해 AI 기반의 반도체 솔루션을 제공하고, 반도체 산업 혁신에 기여하겠습니다.

‘할 수 있는 일만 하면 발전도 없다.’ 어릴 적 영화를 통해 접한 이 대사는 제가 어려운 일을 마주할 때마다 도전할 수 있는 원동력이 되어주었습니다. 언론인의 꿈을 품고 대학에 진학했지만, 1학년 때 코딩 수업과 공공 데이터를 활용한 여러 서비스를 경험하면서 소프트웨어 분야에 흥미를 느껴 새로운 도전을 하게 되었습니다. 문과생이었던 저는 남들보다 지식이 부족함을 느끼고, 밤을 새우며 공부에 매진하거나 친구들과 스터디를 구성해 함께 공부하는 등의 노력을 기울였습니다. 이러한 노력 끝에 4학년 때는 성적 장학금까지 받을 수 있었습니다. 이를 통해 새로운 도전을 즐기고 몰입하면, 결국 성과를 이뤄낼 수 있음을 배웠습니다. "기본기를 탄탄히 갖춘 도전자" 교환학생 시절 수강한 딥러닝 수업은, 어려운 일에 도전하는 것도 중요하지만 무엇보다 ‘기본’의 중요성을 깨닫게 해주었습니다. 저는 석사 과정의 딥러닝 수업에 도전했습니다. 하지만 교환학생 당시에는 학업보다 친구들과의 여행에 더 집중했고, 결국 시험 일주일 전에야 공부를 시작하게 되었습니다. 일주일간 매일 약 8시간씩 도서관에서 공부하며 최선을 다했지만, 처음 배우는 개념을 모두 영어로 이해해야 했기 때문에 더 많은 시간이 소요되었습니다. 결국 미세한 점수 차이로 시험을 통과하지 못하고 F를 받게 되었습니다. 처음에는 나와 맞지 않는 분야일까 자신감을 잃기도 했습니다. 하지만 함께 교환학생 중이던 친구가 ‘아직 ‘진짜로’ 열심히 해본 적 없잖아. 한번 끝까지 해보고 결정하자.’라며 조언을 해주었습니다. 그 말에 힘입어 저는 다시 도전을 이어나갈 용기를 얻었습니다. 이후 온라인 강의를 찾아 수강하며 머신러닝과 딥러닝의 기초 개념부터 다시 학습했습니다. 이론 뿐만 아니라 실제 응용을 경험하기 위해, AI 대회에서의 장려상 수상, 나아가 본교에서 ‘이미지처리’ 수업을 수강하며, 데이터 Augmentation 기법을 다룬 논문 재현 프로젝트에서 교수님의 긍정적인 피드백과 A+ 성적을 받을 수 있었습니다. 이를 통해 무엇보다 기본 지식을 탄탄히 해야 의미 있는 발전을 이룰 수 있음을 배웠습니다. 어떠한 도전을 시작할 때는 스스로의 기초를 점검하는 자세를 갖게 되었습니다. 이러한 경험을 통해 딥러닝에 대한 열정이 더욱 커지게 되었고, 이후에는 삼성전자에서 관련 프로젝트에 참여하는 계기가 되었습니다.

“ChatGPT가 남긴 탄소 발자국” 생성형 AI의 등장은 우리의 삶에 큰 영향을 미치고 있습니다. 특히, ChatGPT와 같은 모델은 인공지능에 대한 깊은 이해가 없어도 쉽게 활용할 수 있어, 일상생활에서뿐만 아니라 여러 산업 분야에서도 널리 활용되고 있습니다. 그러나 이러한 AI 기술의 발전은 양면성을 가지고 있습니다. 혁신과 편의성을 가져오는 한편, 거대한 탄소 발자국을 남기고 있기 때문입니다. 지속적인 AI 기술의 발전을 위해서는 탄소 절감을 위한 노력이 반드시 동반되어야 합니다. 이를 위해서는 우선 AI 학습이 이루어지는 `하드웨어의 효율 개선`이 필수적이라고 생각합니다. 삼성전자에서도 이에 대한 문제를 인식하고, ‘반도체 혁신’으로 이를 극복해 나가고 있습니다. 정보를 저장하는 메모리와 연산을 담당하는 프로세서 간의 데이터 이동 거리를 최소화함으로써 전력 소모를 줄이는 기술과 더불어, 전력 소모량이 많은 GPU보다 AI 연산에 최적화된 새로운 칩 개발 등에 힘쓰고 있습니다. 최근에는 최근 네이버와 함께 프로그래머블 형태의 인공지능 반도체를 개발함으로써 8배 이상의 전력 효율을 달성하며 AI 모델 구동에 필요한 전력을 줄여나가고 있습니다. 하지만 이러한 기술적인 노력 외에도 개인의 인식과 참여 또한 필요합니다. 탄소 배출은 AI를 학습하는 과정에서도 발생하지만, 모델을 사용하는 과정에서도 방대한 에너지가 소모되기 때문입니다. 따라서 AI가 제공하는 편리함에 익숙해지지 않고, 내가 지금 사용하고 있는 AI가 환경에 어떤 영향을 미칠지 항상 경각심을 가져야 합니다. 이러한 인식을 바탕으로 탄소 발자국을 줄이기 위한 정책 및 제도를 요구할 줄 아는 사회 구성원이 되어야 합니다.

딥러닝 모델 제작 실습을 통해 시스템 반도체를 위한 SW엔지니어로서의 역량을 길렀습니다. “AI의 `성능 평가 지표 개선`을 통한 AX에 기여” 센서에 적용할 모델을 만들기 위해서는 센서에 대한 이해가 선행되어야 합니다. 따라서 온라인 강의와 현직자 선배님의 멘토링을 통해 반도체 기초 지식과 센서에 대한 학습을 진행했습니다. 해당 과정에서는 precision보다 recall이 더 중요함을 파악했고, 이를 반영하기 위해 confidence threshold 값을 실험을 통해 조정하며 불량 탐지라는 구체적인 문제에 맞춤화된 모델을 개발했습니다. 이를 통해 반도체에 대한 지식과, 문제에 대한 정확한 분석력을 기를 수 있었습니다. 삼성전자에서 불량 분석 알고리즘 개발을 통한 품질 향상에 기여하고, 시스템 반도체 분야에 맞춤화된 AI Transformation을 주도해 나가겠습니다. “데이터 품질 향상을 통한 mAP 1.2배 성능 개선” 당시 주어진 학습 데이터를 검토한 결과, 20% 정도의 데이터에 라벨링 오류가 있었고, 특정 클래스가 전체 데이터의 절반 이상을 차지하는 불균형 문제가 심각함을 확인했습니다. 데이터의 신뢰성을 향상하기 위해 새로운 라벨링 기준을 도출하고 해당 기준에 따라 다시 라벨링을 진행했습니다. 또한 클래스 불균형 문제 해결을 위해 논문을 참고하며 4가지 기법들에 대한 실험을 진행했고, 성능이 가장 우수했던 focal loss를 도입하여 mAP를 약 1.2배 향상했습니다. 이러한 데이터 차원의 문제 해결 역량을 바탕으로, 반도체 데이터의 품질 향상을 통해 최고의 성능을 실현하는 데 기여할 것입니다.