# \#lightgbm **URL:** https://discuss.pytorch.kr/tag/lightgbm/9128.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [모델보다 데이터가 어려웠다 — 학부생이 제조 AI 프로젝트를 하며 배운 것](https://discuss.pytorch.kr/t/ai/11930)
**Author:** [@y2l1003](https://discuss.pytorch.kr/u/y2l1003)\ **댓글:** 0\ **마지막 업데이트:** [9월 15, 2026, 2:04오후 UTC](https://discuss.pytorch.kr/t/ai/11930 "2026-09-15T14:04:18Z")
모델보다 데이터가 어려웠다 — 학부생이 제조 AI 프로젝트를 하며 배운 것 SECOM 데이터로 불량을 예측하고, 그 판단 근거를 사람이 읽을 수 있는 형태로 연결하기까지. 안녕하세요. AI를 공부하고 있는 학부생입니다. GreenFab 프로젝트에서 반도체 제조 데이터를 활용한 LightGBM 기반 불량 예측과 SHAP 설명을 대시보드로 연결하는 작업을 했습니다. 처음에는 어떤 모델을 선택할지가 가장 중요한 문제라고 생각했습니다. 하지만 작업을 이어갈수록 다른 질문들이 더 오래 남았습니다. 이름을 알 수 없는 변수를 어떻게 해석해야 할까? 불량이 적은 데이터에서 무엇을 잘 맞혀야 할까? 예측 옆에 설명 그래프를 붙이면 사용자가 판단하기에 충분할까? 이 글은 그 질문들을 데이터 → 모델 → 설명 → 서비스의 순서로 정리한 회고입니다. PyTorch 구현을 다루지는 않지만, 모델을 실제 사용 맥락에 연결하려는 분들과 나누고 싶은 경험입니다. 성능 순위나 현장 도입 효과를 주장하기보다 설계의 근거와 한계에 집중했습니다. 아래 코드는 프로젝트 원본을 그대로 옮긴 것이 아니라, 핵심 구조를 설명하기 위해 작성한 예시입니다. 1. 문제 정의: 예측 다음에 무엇을 보여줄 것인가 GreenFab의 출발점은 제조 공정 데이터에서 불량을 예측하는 것이었습니다. 여기에 한 가지 목표를 더했습니다. 예측 결과를 본 사람이 모델의 판단 근거를 살펴볼 수 있게 하자. 불량 위험이 높다는 결과는 검토의 출발점이 될 수 있습니다. 하지만 그 결과만으로 어떤 측정값을 먼저 확인해야 할지는 알기 어렵습니다. 그래서 개별 샘플의 예측과 변수별 기여도를 함께 제공하고, 전체 데이터에서는 모델이 어떤 변수에 주로 의존하는지 볼 수 있는 구성을 생각했습니다. 여기서 ‘근거’의 범위는 분명히 해야 합니다. 모델이 특정 변수에 의존했다는 사실과 그 변수가 실제 불량을 일으켰다는 사실은 다릅니다. GreenFab에서 목표로 한 것은 모델의 판단을 검토할 단서를 제공하는 것입니다. 실제 공정의…