# 2022 춘계 대한산업공학회 후기

연구실 입학 후 처음으로 참가한 학회여서 감회가 새로웠습니다. 학회장 특유의 분위기가 신선하게 다가왔고 다음 학회에는 저도 발표자로 참가하고 싶다는 생각이 들었습니다. 저희 연구실 사람들 뿐만 아니라 다양한 연구실의 지인들을 오랜만에 만나서 반가웠고 어떤 연구를 하고 있는지 직간접적으로 알 수 있었습니다.
학회의 특성상 다양한 세션이 동시에 열리기 때문에 모든 세션에 들어갈 수는 없었습니다. 제가 관심 있는 분야인 NLP, 데이터 분석과 관련된 세션에 최대한 들어가봤고 그 중에 인상 깊었던 내용을 공유하면 다음과 같습니다. dsba 연구실의 발표는 리허셜을 통해 이미 접했기 때문에 제외하고 다른 연구실의 발표 후기만 공유하겠습니다. 값진 경험을 주신 교수님께 다시 한번 감사의 말씀을 드립니다.

# 다중센서 멀티 모달 자기지도학습 모델을 이용한 실차 실내 소음 수준 예측 - 고은성, 김성범(고려대학교 산업경영공학부)

실차 소음이란 차량을 구성하고 있는 부품이나 구조물을 통해 차량 내부에서 발생하는 소음을 의미합니다. 본 연구에서는 차량 내의 다양한 데이터를 통해 실차 소음의 수준을 예측하는 task를 진행하였습니다. waveform과 스펙트로그램 두개의 modality로 얻은 데이터를 모두 활용하여 사전 학습 모델을 구축하고 실차 소음 예측 모델 구축을 하였습니다.

실차 소음은 현대인들의 자동차 선택 기준에 상당히 중요한 부분으로 자리 잡았습니다. 본 연구는 이러한 trend에 부합되는 굉장히 실용적인 연구였다고 생각됩니다. 하지만 아쉬웠던 부분도 있었습니다. 연구의 contribution으로 멀티 모달 자기 지도 학습을 통해 적은양의 데이터로 유의미한 성능을 내는 모델을 구축했다는 점을 꼽았는데, train과 test data를 6:4로 나누었습니다. 일반적으로 train data를 70~80%로 사용하는 것을 감안했을때, train data의 비중이 적다고 판단하였습니다. 발표를 듣고 해당 부분에 대한 질문을 하였는데, 같이 연구하고 있는 산학에서 test data를 더 많이 쓰고 싶다고 하여 그렇게 했다는 답변을 받았습니다.
train data의 비율을 조금 더 높였으면 성능이 조금 더 향상되지 않았을까 하는 아쉬움이 남았습니다.

# Conditional BERT를 활용한 패션 아웃핏 데이터 증진 - 박준현 (업스테이지), 황우현, 송민석 (포항공과대학교 산업경영공학과)

Sequential한 AI 모델을 통한 패션 아이템 집합인 아웃핏 추천이 많이 연구되고 있으며 본 연구는 이러한 trend에 발 맞춰 관련된 연구를 진행하였습니다.
일반적인 패션 아웃핏의 경우 소수의 target만을 활용하여 추천 학습에 활용이 되는데, 본 연구에서 제안하는 방법론은 증진한 학습 아웃핏을 포함하여 학습하기 때문에 추천 성능이 향상 된다고 주장하였습니다.

간략히 task를 설명하면, 아웃핏 내부의 각각의 아이템 중 1개를 masking을 하고 이를 conditional BERT를 활용해서 Inference를 진행하는 과정으로 train이 이루어집니다. 여기서 각 아이템의 class를 one-hot vector를 통해 저장됩니다.

본 연구의 contribution으로는 1) 어울림 기반 아웃핏 추천 모델과 Label Embedding을 통한 패션 아웃핏 증진 모델을 제안 2) 제안 모델은 속성 유지 비율과 교체 상품 다양성에서 기존 대비 높은 성능을 보임 을 뽑을 수 있습니다. 아쉬웠던 점은 아직은 자동으로 trend data의 label을 부여하는 학습 방법이 없다는 부분이었습니다. 아직은 이미지 데이터를 통한 프로젝트나 연구를 진행해 본 경험이 없는데, 앞으로 기회가 된다면 이미지 데이터와 관련된 프로젝트도 진행해 보고싶다는 생각을 들게 해준 발표였습니다.

# 심층신경망이 적용된 반송시간 추정을 통한 OHT의 동적 라우팅 - 최재원, 유태영, 최동구 (포항공과대학교 산업경영공학과)

현업에 있을 때 물류 반송 시스템 관련된 업무를 잠깐 했던적이 있어서 관심 가는 내용의 주제였습니다. 특히 제가 근무했던 H2 단지의 경우 기존에는 문제가 되지 않았던 반송량이 bottleneck이 되면서 물류에 대한 중요성이 점점 증가되고 있었습니다. 이러한 현업의 상황에 발맞춰 학계에서는 어떤 연구가 진행되고 있는지 궁금하였습니다. 물론 저희 연구실의 최정우 석사과정이 관련된 연구를 하고 있지만, 다른 연구들에 궁금증도 있었기 때문에 본 세션에 참가하였습니다.

본 연구에서는 반송 경로의 최적화를 심층신경망을 통해 구현하였습니다. 돋보였던 점은 모든 계산을 DNN을 통해 진행하는 것이 아니라 기존의 Dijkstra 알고리즘을 사용을 하며 일부분을 DNN으로 대체하여 경로를 동적으로 계산하였다는 부분이었습니다. 반도체 물류의 특성상 on-time learning이 굉장히 중요한데, 이를 잘 반영한 부분이라는 생각이 들었습니다. 결론적으로 본 연구의 시뮬레이션 실험을 통해 OHT가 정체구간을 회피하며 동적으로 경로를 수정하여 반송시간을 줄일 수 있다는 결과를 제시하였습니다. 또한 탐색공간을 k-length의 경로로 한정하여 시간 복잡도 역시 줄였습니다.

4차산업 혁명 딥러닝의 시대라고는 하지만 여전히 rule-based 시스템을 현업에서 무시할 수 없다는 생각이 들었습니다. 딥러닝은 모든 문제를 해결해 주는 마법이 아니라 적재적소에 활용을 하는 것이 현업 관점에서는 더 중요할 것 이라고 생각이 들었습니다.