SK하이닉스

‘자율주행 물류 로봇’ 제작 프로젝트 당시, 기구 설계 팀원과 제어 팀원 사이의 기술적 간극을 좁혀 목표를 달성한 경험이 있습니다. 저는 제어 알고리즘을 담당했고, 타 전공 팀원은 로봇의 외관 프레임을 담당했습니다. 문제는 로봇의 적재 하중 테스트에서 발생했습니다. 기구 팀은 내구성을 위해 두꺼운 프레임을 고집했고, 제어 팀은 늘어난 무게 때문에 모터의 토크가 부족해 정밀 제어가 불가능하다고 맞섰습니다. 서로의 기술적 한계만을 주장하며 프로젝트가 중단될 위기에 처했습니다. 저는 이를 해결하기 위해 감정적 대립이 아닌 ‘데이터 기반의 합의점’을 제안했습니다. 저는 모터 부하량에 따른 배터리 소모율과 제어 오차 데이터를 시각화하여 공유했습니다. 동시에 기구 팀의 설계 도면을 함께 검토하며, 강성이 필요 없는 부분의 경량화를 제안했습니다. 객관적인 수치를 확인한 기구 팀원은 불필요한 프레임을 덜어냈고, 저 역시 제어 로직을 최적화하여 가속 구간의 부하를 줄였습니다. 그 결과 로봇은 내구성과 제어 성능을 모두 만족하며 구동에 성공했습니다. 이 경험을 통해 협업의 본질은 상대의 기술을 이해하고 최적의 교집합을 찾아가는 과정임을 배웠습니다.

교내 데이터 분석 경진대회에서 ‘공장 전력 소비량 예측’이라는 주제에 도전하여, 초기 모델의 실패를 딛고 상위 10%의 성과를 달성한 경험이 있습니다. 주어진 데이터는 수만 건의 시계열 데이터였고, 저희 팀은 초반에 성능이 좋다는 고도화된 딥러닝 모델(LSTM)을 적용했습니다. 하지만 모델이 너무 무거워 학습 시간이 오래 걸렸고, 과적합(Overfitting) 문제로 인해 실제 테스트 데이터에서의 예측률은 60%대에 머물렀습니다. 종료가 얼마 남지 않은 시점에서 저는 "복잡한 모델이 정답은 아니다"라고 판단했습니다. 저는 팀원들을 설득해 모델링을 멈추고, 데이터 전처리 단계로 돌아가는 강수를 두었습니다. 3일 밤낮으로 데이터의 패턴을 시각화하여 분석한 끝에, 특정 장비의 가동 스케줄과 외부 온도가 전력 소비의 핵심 변수라는 점을 발견했습니다. 이 변수들을 결합한 새로운 파생 변수(Feature)를 생성하여 가벼운 머신러닝 모델에 적용하자, 예측 정확도가 90% 이상으로 급상승했습니다. 화려한 알고리즘보다 본질적인 데이터 분석이 문제 해결의 열쇠임을 깨달았습니다. 이러한 집요함으로 SK하이닉스의 공정 난제를 해결하겠습니다.

#편의점_재고관리사 가장 사소한 변화를 감지하는 것이 효율의 시작입니다. 편의점 아르바이트 당시, 저는 단순히 물건을 채우는 것을 넘어 시간대별, 날씨별 판매 데이터를 머릿속으로 기록했습니다. 비가 오는 날에는 막걸리와 전 종류의 발주를 늘리고, 인근 학원의 시험 기간에는 에너지 드링크의 재고를 평소보다 2배 확보했습니다. 점주님께서는 "시키는 일만 하는 알바생은 많았지만, 매장의 흐름을 읽고 발주를 제안하는 경우는 처음"이라며 놀라워하셨습니다. 덕분에 폐기율은 줄이고 매출은 늘리는 성과를 냈습니다. 이러한 저의 관찰력과 주도성은 양산기술 직무에서 큰 강점이 될 것입니다. 반도체 팹(Fab)은 거대한 편의점과 같습니다. 수천 개의 장비와 웨이퍼가 흐르는 공정 속에서, 남들이 무심코 지나치는 작은 파라미터 변화나 설비 알람의 빈도를 놓치지 않겠습니다. 현장의 사소한 데이터 하나도 허투루 보지 않고, 수율 향상의 단서로 삼는 ‘깨어있는 엔지니어’가 되겠습니다.