Smart Laboratory: 아사히카세이가 반도체 절연재료 개발을 AI 순환 루프로 묶어 실험 수를 약 4배로 늘리는 계획

아사히카세이는 반도체용 감광성 절연재료 파이멜(Pimel) 개발에서 실험 계획부터 고객 공정을 가정한 평가까지를 한 시스템으로 묶습니다. 그 위에서 AI가 다음 조성을 제안하게 해, 일정 기간에 검토하는 조성 수를 약 4배로 늘릴 계획입니다. 2027년 1월 가동 예정이라 아직 성과가 아닌 계획입니다. 따라 하려면 과거 실험 기록부터 AI가 읽을 수 있는 한 형식으로 정리해야 합니다. 그다음 조합과 평가 장비가 같은 형식으로 결과를 남기게 만들어야 합니다.

요약

아사히카세이(旭化成)는 2026년 11월 5일 시즈오카현 후지시의 후지 지사에 Smart Laboratory(스마트 래버러토리: AI와 자동화 설비로 소재 개발 공정을 스스로 돌리는 실험실)를 연다고 발표했습니다. MONOist는 다음 날 이를 보도했습니다. 대상은 반도체용 감광성 절연재료 파이멜의 제품 개발이고, 가동은 2027년 1월로 잡혀 있습니다. 실험 계획과 일정 짜기, 원료 조합, 시료 제작을 자동으로 합니다. 고객의 반도체 패키지 제조 공정을 가정한 가공과 성능 평가도 자동입니다. 평가 결과는 AI가 다시 학습하고 해석해 다음에 시험할 조성과 실험 조건을 제안합니다. 아사히카세이는 이 단계들을 따로 자동화하지 않고 하나의 실험 시스템으로 묶어 순환시킨다고 설명했습니다.

회사가 내세운 효과는 개발 실험 수의 확대입니다. 여기서 개발 실험 수는 일정 기간에 검토할 수 있는 조성 수를 뜻하며, 원료 조합과 가공·평가를 자동화해 기존의 약 4배로 늘린다는 계획입니다. 배경에는 두 가지 압력이 있습니다. 층간 절연막 시장은 최근 연평균 약 8%씩 자라고 있고, 회사는 이 흐름이 2030년 무렵까지 이어진다고 봅니다. 동시에 첨단 반도체의 요구 성능이 올라가면서 미세 가공성, 형상 안정성, 고신뢰성, 고해상도화를 한 재료로 함께 맞추기가 어려워졌습니다. AI는 파이멜 개발에서 쌓은 실험 데이터와 새 실험 데이터, 공개 데이터로 학습합니다. 여기에 연구자의 지식과 시뮬레이션, 이론 과학을 결합해 기존 상식으로는 지나쳤던 조성을 찾습니다. 아사히카세이는 세계의 자율 실험이 대개 특정 재료나 일부 공정, 학술 실증에 머문다고 봅니다. 개발 공정 전체에 적용한다는 점을 이번 시설의 차이로 꼽은 이유입니다. 아래에서는 이 계획을 이루는 다섯 메커니즘을 풀고, 같은 루프를 우리 연구소에 세울 때 필요한 기술·현업 디테일을 붙입니다.

핵심 메커니즘

Closed-loop Experimentation: 설계에서 평가까지 한 바퀴를 스스로 돌리기

무엇인가. 실험 계획, 원료 조합, 시료 제작, 평가, 학습, 다음 제안이 사람의 손 넘김 없이 이어지는 순환 구조입니다. 흔히 self-driving lab(자율 실험실)이라고 부르는 방식입니다.

어떻게 작동하나. 입력은 목표 물성과 지금까지의 실험 기록입니다. AI가 다음에 시험할 조성과 조건 묶음을 내면 스케줄러가 장비 일정에 배치합니다. 자동 설비가 원료를 계량해 조합하고 시료를 만든 뒤 평가합니다. 측정값은 곧바로 학습 데이터에 더해지고 모델이 갱신됩니다. 출력은 다음 라운드의 제안 목록과 한층 나아진 예측 모델입니다.

언제 쓰고 언제 안 쓰나. 조성 공간이 넓고, 평가 방법이 표준화돼 있고, 같은 장비로 반복할 수 있을 때 효과가 큽니다. 평가를 고객 현장에서만 할 수 있거나 시료 하나에 몇 주가 걸리면 루프가 느려져 사람의 판단이 더 빠를 수 있습니다.

원문의 예. 아사히카세이는 계획·일정, 조합, 시료 제작, 고객 공정 가정 평가, 학습·해석, 다음 제안을 하나의 실험 시스템으로 돌린다고 밝혔습니다.

작은 예시(가상 예시). 수지 3종, 감광제 2종, 첨가제 4종의 비율을 바꾸는 탐색에서 하루 24개 조성을 평가한다고 해 봅시다. 저녁에 결과가 모델에 들어가면 다음 날 아침 새 제안 24개가 장비 대기열에 올라갑니다.

Customer-process Evaluation: 고객 패키지 공정을 가정한 가공·평가

무엇인가. 시료를 실험실 표준 조건이 아니라 고객이 반도체 패키지를 만들 때 거치는 가공 조건에 맞춰 처리하고 성능을 재는 단계입니다.

어떻게 작동하나. 조합된 시료에 고객 공정을 가정한 가공 조건을 적용하고, 그 결과물의 성능을 측정합니다. 원문이 꼽은 요구 성능은 미세 가공성, 형상 안정성, 고신뢰성, 고해상도화입니다. 이 측정값이 AI가 최적화하는 목표가 됩니다. 평가 기준을 고객 쪽에 맞추면 AI가 좇는 숫자도 고객이 실제로 보는 성능이 됩니다.

언제 쓰고 언제 안 쓰나. 같은 재료라도 고객 공정 조건에 따라 성능이 달라지는 소재에 필요합니다. 고객마다 공정 조건이 크게 다르면 대표 조건 몇 개를 정해 따로 돌려야 합니다.

원문의 예. 아사히카세이는 평가 단계를 “顧客の半導体パッケージ製造工程を想定” 한다고 설명했습니다. 가공 단계의 구체 내용은 밝히지 않았습니다.

작은 예시(가상 예시). 고객 A의 경화 조건과 고객 B의 경화 조건을 프로파일 두 개로 등록해 두고, 같은 조성을 두 프로파일로 각각 가공해 해상도를 비교합니다.

Materials Informatics: 쌓아 둔 실험 데이터를 예측의 기반으로

무엇인가. Materials Informatics(MI, 머티리얼즈 인포매틱스: 데이터와 기계학습으로 재료의 조성과 물성 사이 관계를 예측하는 방법)입니다.

어떻게 작동하나. 과거 실험의 조성, 공정 조건, 물성 기록을 학습해 아직 시험하지 않은 조성의 물성을 예측합니다. 새 실험이 끝날 때마다 그 결과를 더해 다시 학습하므로 루프가 돌수록 예측이 좋아집니다. 아사히카세이는 MI 탐색에서 실험 데이터의 양과 축적이 예측 정확도를 좌우한다고 봅니다. 그래서 파이멜 개발 데이터를 MI에 쓸 수 있는 데이터 기반으로 정비해 왔다고 밝혔습니다.

언제 쓰고 언제 안 쓰나. 수년 치 실험 기록이 있고 측정 방법이 일관된 제품군에 맞습니다. 기록이 연구원마다 다른 엑셀 양식에 흩어져 있다면 모델보다 데이터 정리가 먼저입니다.

원문의 예. 학습 데이터는 파이멜 개발에서 쌓은 실험 데이터, 새 실험 데이터, 공개 데이터 세 갈래입니다.

Hybrid Knowledge: 데이터 모델에 연구자 지식·시뮬레이션·이론을 더하기

무엇인가. 데이터로 학습한 모델만 믿지 않고 연구자의 지식, 시뮬레이션, 이론 과학을 함께 쓰는 구성입니다.

어떻게 작동하나. 원문은 결합 방식을 자세히 밝히지 않았습니다. 이런 결합은 보통 세 가지로 구현합니다. 연구자의 지식은 금지 조합이나 허용 비율 같은 제약으로 들어갑니다. 시뮬레이션 결과는 모델이 쓰는 특징값이나 사전 선별 기준이 됩니다. 이론 과학은 어떤 특징을 볼지 정하는 근거가 됩니다. 이렇게 하면 데이터가 적은 영역에서도 엉뚱한 제안을 줄일 수 있습니다.

언제 쓰고 언제 안 쓰나. 데이터가 아직 적거나 새 원료를 넣어 과거 데이터가 닿지 않는 영역을 탐색할 때 특히 필요합니다.

원문의 예. 아사히카세이는 연구자의 경험과 발상에 기대던 개발 방식을 한 걸음 넘어 AI로 넓고 효율적으로 탐색하겠다고 했습니다. 동시에 연구자의 지식을 결합 요소로 남겼습니다. 앞으로는 연구자와 AI의 대화로 개발 목표를 이루는 과정을 다듬겠다고 밝혔습니다.

Explore-then-Exploit: 낯선 조성을 찾고 그 주변을 집중 검증

무엇인가. 기존 상식으로는 지나쳤던 새 조성을 찾고, 유망한 지점을 찾으면 그 주변 조성과 조건을 촘촘히 검증하는 탐색 전략입니다.

어떻게 작동하나. 처음에는 예측이 불확실한 영역을 넓게 시험해 새 유망 지점을 찾습니다(탐색, explore). 유망 지점이 나오면 그 근처 조성과 실험 조건을 집중해서 시험합니다(활용, exploit). 결과를 반복 학습하면 그 영역의 예측 정확도가 올라갑니다. 베이지안 최적화(Bayesian optimization)가 이 균형을 수식으로 다루는 대표 기법입니다.

언제 쓰고 언제 안 쓰나. 목표 성능을 이미 아는 조성 근처에서 조금 개선하면 되는 과제라면 집중 검증만으로 충분합니다. 여러 성능을 함께 맞춰야 해서 기존 조성 계열로는 막혔을 때 탐색 비중을 키웁니다.

원문의 예. 아사히카세이는 새 조성을 찾고 그 주변을 중점 검증하며 반복 학습으로 예측 정확도를 높인다고 설명했습니다.

통념과 다른 주장

저자가 든 사례

파이멜 Smart Laboratory(후지 지사)

상황: 층간 절연막 시장이 연평균 약 8%씩 크고, 첨단 반도체 요구 성능이 올라가 여러 성능을 한 재료로 맞추기가 어려워졌습니다. 한 일: 실험 계획부터 고객 공정 가정 평가, 학습과 다음 제안까지를 한 시스템으로 묶은 Smart Laboratory를 후지 지사에 엽니다. 결과: 2027년 1월 가동 예정이며, 일정 기간에 검토할 수 있는 조성 수를 기존의 약 4배로 늘릴 계획입니다. 실제 성과 수치는 아직 없습니다. 연결: Closed-loop Experimentation, Customer-process Evaluation.

파이멜 실험 데이터 기반

상황: MI 탐색은 실험 데이터의 양과 축적이 예측 정확도를 좌우합니다. 한 일: 아사히카세이는 파이멜 개발에서 쌓은 실험 데이터를 MI에 쓸 수 있는 데이터 기반으로 정비해 왔습니다. 결과: 이 데이터에 새 실험 데이터와 공개 데이터를 더해 AI 모델을 학습합니다. 정비 기간과 데이터 규모는 원문에서 밝히지 않았습니다. 연결: Materials Informatics, Hybrid Knowledge.

그룹 확대 구상

상황: 회사는 파이멜에서 기술 개발력, 품질 보증 체계, 고객 요구를 빠르게 제품화하는 힘을 강점으로 꼽고 생산 능력도 늘리고 있습니다. 한 일: Smart Laboratory 운영에서 얻은 자율 실험 기술과 노하우를 다른 전자재료 사업으로 넓히고, 이후 머티리얼 영역의 다른 제품 적용을 검토합니다. 결과: 헬스케어와 주택 영역을 포함한 그룹 연구개발로 발전시키는 구상까지 밝혔습니다(계획 단계). 연결: 다섯 메커니즘 전부.

기술 디테일: 실제로 돌릴 때 필요한 것

Materials Informatics를 돌리려면 실험 기록부터 한 형식으로 남깁니다. 사람이 한 실험, 장비가 한 실험, 공개 문헌에서 가져온 값이 같은 테이블에 들어가야 모델이 섞어 배울 수 있습니다. 출처(origin: auto, manual, public)와 공정 프로파일, 대조 시료 여부를 필드로 둡니다. 아래는 가상 예시입니다.

{
  "experiment_id": "PM-2027-0312-017",
  "round": 42,
  "origin": "auto",
  "proposal": {"strategy": "exploit", "model_version": "gp-v18", "predicted": {"resolution_um": 2.1, "sd": 0.3}},
  "composition_wt_pct": {"resin_A": 58.0, "photo_agent_B": 12.5, "crosslinker_C": 9.5, "additive_D": 1.0, "solvent": 19.0},
  "process": {"profile_id": "CUST-PKG-03", "cure_temp_c": 230, "cure_min": 60},
  "measured": {"resolution_um": 2.4, "pattern_shape_score": 4, "reliability_cycles": null},
  "qc": {"control_sample": false, "batch_id": "B-0312-A", "equipment": ["DSP-02", "COAT-01"], "flags": []},
  "measured_at": "2027-03-12T18:40:00+09:00"
}

필수 규칙은 세 가지입니다. 조성은 합이 100이 되는 질량%로 통일합니다. 측정하지 못한 값은 0이 아니라 null로 둡니다. 모델이 제안한 실험에는 제안 근거(strategy, model_version, 예측값과 표준편차)를 남겨 나중에 예측과 실측을 비교합니다.

Explore-then-Exploit을 구현하려면 불확실성을 내놓는 모델과 다목적 획득 함수가 필요합니다. 모델은 데이터가 수천 건 이하일 때 Gaussian process(가우시안 프로세스: 예측값과 함께 불확실성을 주는 회귀 모델)가 무난합니다. 데이터가 많으면 gradient boosting 앙상블로 평균과 분산을 함께 냅니다. 성능 목표가 미세 가공성, 형상 안정성, 신뢰성, 해상도 네 가지라서 점수 하나로 합치기보다 파레토 개선을 노리는 다목적 획득 함수(예: BoTorch의 qEHVI)를 씁니다. 배치 크기는 하루 장비 처리량에 맞춥니다. 초기 몇 라운드는 탐색 비중을 30% 안팎으로 두고, 예측 오차가 줄면 10% 안팎으로 낮춥니다. 과거 데이터가 수백 건에 못 미치면 첫 라운드는 Latin hypercube 같은 공간 채움 설계로 조성을 고르게 뽑아 모델의 출발점을 만듭니다.

Hybrid Knowledge를 넣으려면 연구자의 지식을 코드로 읽히는 제약 파일로 만듭니다. 금지 조합(예: 함께 넣으면 침전이 생기는 원료 쌍), 원료별 허용 비율 범위, 안전상 쓸 수 없는 용매를 YAML 같은 파일로 관리합니다. 제안이 장비 대기열에 들어가기 전에 이 파일로 걸러 냅니다. 시뮬레이션은 분자 단위 계산값(예: 용해도 파라미터)을 조성별 특징값으로 붙이는 방식이 가장 쉽습니다. 제약을 누가 언제 바꿨는지 버전으로 남겨야 제안이 갑자기 달라졌을 때 원인을 찾을 수 있습니다.

Closed-loop를 믿으려면 장비 편차를 감시합니다. 배치마다 기준 조성 1~2개를 대조 시료로 함께 돌립니다. 대조 시료 값이 최근 20회 평균에서 표준편차 2배 이상 벗어나면 그 배치 결과를 학습에 넣지 않고 장비 점검을 겁니다. 모델이 1등으로 꼽은 조성은 3회 반복 측정해 평균과 편차를 함께 기록합니다.

실패 상황	증상	대응
장비 드리프트	대조 시료 값이 서서히 이동	배치 격리, 보정 후 재측정, 드리프트 구간 데이터에 플래그
모델 과신	예측 표준편차는 작은데 실측과 크게 어긋남	탐색 비중 상향, 최근 데이터 가중 재학습
제약 누락	조합 단계에서 침전·점도 이상	실패 기록을 제약 파일에 추가, 연구자 검토
평가 병목	신뢰성 시험처럼 오래 걸리는 항목이 대기열을 막음	빠른 항목으로 1차 선별, 오래 걸리는 항목은 상위 후보만

Customer-process Evaluation을 데이터로 다루려면 고객 공정을 프로파일 ID로 관리합니다. 경화 온도와 시간 같은 조건을 묶어 profile_id로 등록하고, 실험 기록은 이 ID만 참조합니다. 고객 공정 정보는 기밀이므로 프로파일 테이블은 접근 권한을 따로 둡니다.

연구자와 AI의 대화를 붙이려면 LLM은 조회와 설명을 맡기고 조성 결정은 최적화 모델에 둡니다. 연구자가 “해상도 2µm 이하이면서 신뢰성 시험을 통과한 조성은?”이라고 물으면 LLM이 실험 DB 조회 도구를 불러 답하고 근거로 experiment_id를 붙입니다. 다음 라운드 목표나 제약 변경은 LLM이 초안을 쓰고 연구자가 승인해 반영합니다. 이 분업은 아사히카세이가 밝힌 향후 구상을 실제로 구현할 때의 한 방식입니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
연구소장·사업부 개발 책임자	대상 제품과 목표 성능 승인, 단계별 진행 판정
소재 연구원(도메인 리드)	목표 물성 정의, 제약 파일 작성·갱신, AI 제안 검토
데이터 엔지니어	과거 실험 기록 정리, 실험 DB와 장비 데이터 연동
ML 엔지니어	예측 모델, 획득 함수, 백테스트, 모델 버전 관리
자동화·장비 엔지니어	조합·시료·평가 장비 연동, 스케줄러, 대조 시료 운영
고객 기술지원	고객 공정 조건을 프로파일로 정리, 평가 결과를 고객 언어로 해석

준비물. 최근 수년 치 실험 기록(조성, 공정 조건, 측정값), 평가 SOP와 장비별 측정 방법, 고객 공정 조건 목록, 원료 목록과 안전 정보가 필요합니다. 목표 성능은 “해상도 몇 µm 이하, 신뢰성 시험 몇 사이클 통과”처럼 숫자로 적습니다. 지금 연구원 1인이 한 달에 검토하는 조성 수를 기준선으로 직접 셉니다. 아사히카세이가 내건 약 4배도 이 기준선이 있어야 잴 수 있습니다. 첫 주에는 도메인 리드와 데이터 엔지니어가 대상 제품 하나를 정합니다. 그리고 최근 1년 실험 기록 표본 50건을 표준 스키마로 옮겨 보며 빠진 필드를 목록으로 만듭니다.

기간(가상 예시)	할 일	산출물
1~3개월	과거 실험 기록 정리, 표준 스키마 확정, 기준선 측정	실험 DB, 조성 수 기준선, 제약 파일 1판
4~6개월	과거 데이터로 오프라인 백테스트, 모델·획득 함수 선택	백테스트 보고서, 모델 1판
7~9개월	반자동 루프: AI 제안, 사람 조합, 평가 데이터 자동 수집	AI 제안과 연구원 제안의 적중률 비교
10~12개월	완전 루프를 평가 항목 하나에 적용, 대조 시료 운영	주당 검토 조성 수, 목표 도달까지 라운드 수

현업에 물을 것.

1. 지난 1년 동안 시험한 조성은 몇 개이고, 그 기록은 몇 가지 양식에 흩어져 있나요?
2. 시료 하나를 평가하는 데 가장 오래 걸리는 항목은 무엇이고 며칠이 걸리나요?
3. 고객별 공정 조건은 몇 가지로 묶을 수 있나요?
4. “이 원료 조합은 안 된다”는 경험칙을 연구원 몇 명이 알고 있고, 문서로 남아 있나요?
5. AI가 상식 밖 조성을 제안하면 누가 실험 여부를 승인하나요?

진행 판정 기준(예시). 백테스트에서 모델이 고른 상위 10% 조성 안에 실제 우수 조성의 절반 이상이 들어 있어야 반자동 단계로 넘어갑니다. 반자동 단계에서 AI 제안의 목표 성능 도달률이 같은 기간 연구원 제안보다 낮지 않아야 합니다. 완전 루프 석 달 동안 주당 검토 조성 수가 기준선의 2배를 넘으면 평가 항목을 늘립니다. 대조 시료 이탈로 버린 배치가 10%를 넘으면 확대하지 않고 장비부터 손봅니다.

AX 적용 제언. 배합으로 성능을 맞추는 사업이면 바로 옮길 수 있는 사례입니다. 전자재료, 배터리 소재, 도료·접착제, 화장품, 식품 배합이 여기에 속합니다. 첫 대상은 수년 치 실험 기록이 쌓여 있고 고객 요구 성능이 숫자로 정해진 제품 한 개로 고릅니다. 장비 투자보다 데이터 정리가 먼저입니다. 아사히카세이도 데이터 기반을 정비해 둔 뒤 설비를 얹었습니다. 처음부터 완전 자동화로 가지 말고, AI 제안에 사람 조합을 붙인 반자동 루프로 적중률을 먼저 보여 주면 연구소의 동의를 얻기 쉽습니다. 성과 지표는 검토 조성 수와 함께 목표 성능에 닿기까지 걸린 라운드 수를 봅니다. 평가 단계에 고객 공정 조건을 넣는 설계는 영업·기술지원과 연구소를 묶는 장치가 되므로 고객 기술지원 담당을 처음부터 팀에 넣습니다.

원문 사례

항목	내용
발표	아사히카세이, 2026.11.05 (MONOist 보도 2026.11.06, 遠藤和宏)
장소·가동	시즈오카현 후지시 후지 지사, 2027년 1월 가동 예정
대상	반도체용 감광성 절연재료 파이멜 제품 개발
자동화 범위	실험 계획·일정, 원료 조합, 시료 제작, 고객 패키지 공정 가정 가공·평가, 학습·해석, 다음 조성·조건 제안
AI 학습 재료	파이멜 축적 실험 데이터, 새 실험 데이터, 공개 데이터 + 연구자 지식, 시뮬레이션, 이론 과학
탐색 방식	상식 밖 새 조성 탐색, 주변 조성·조건 집중 검증, 반복 학습으로 예측 정확도 향상
기대 효과	개발 실험 수(일정 기간 검토 조성 수) 약 4배
요구 성능	미세 가공성, 형상 안정성, 고신뢰성, 고해상도화
시장	층간 절연막 시장 연평균 약 8% 성장, 2030년 무렵까지 지속 전망
회사 진단	세계 자율 실험은 재료 한정, 일부 공정, 학술 실증이 많고 전 공정 적용은 드묾
향후	다른 전자재료 사업, 머티리얼 영역 다른 제품, 헬스케어·주택 포함 그룹 연구개발, 연구자와 AI 대화 과정 고도화

핵심 개념

감광성 절연재료

빛을 쬔 부분만 남기거나 지워 미세한 패턴을 만들 수 있는 절연 재료입니다. 파이멜이 여기에 속합니다.

층간 절연막

배선층과 배선층 사이를 전기적으로 갈라 놓는 막입니다. 아사히카세이는 이 시장의 성장을 개설 배경으로 들었습니다.

반도체 패키지

칩을 보호하고 기판과 전기적으로 잇는 구조물입니다. 첨단 반도체일수록 패키지 공정의 요구 수준이 높습니다.

개발 실험 수

아사히카세이가 정한 지표로, 일정 기간에 검토할 수 있는 조성 수입니다.

공개 데이터

논문, 특허, 공개 데이터베이스처럼 회사 밖에서 얻을 수 있는 물성 데이터입니다. 원문은 公知データ라고 적었습니다.

획득 함수

acquisition function. 모델의 예측값과 불확실성을 보고 다음에 시험할 조성을 고르는 기준 식입니다.

파레토 개선

여러 성능 가운데 어느 것도 나빠지지 않으면서 하나 이상이 좋아지는 변화입니다. 성능 여럿을 함께 맞출 때 씁니다.

대조 시료

배치마다 함께 측정하는 기준 조성. 장비 상태가 변했는지 알려 줍니다.

내 메모

TODO: 내 생각 추가

원문은 MONOist에 실린 「旭化成がAI活用のスマートラボ新設、半導体材料の実験数4倍に」(2026.11.06, 遠藤和宏)입니다. 같은 사건의 1차 자료인 아사히카세이 보도자료 「材料設計から顧客の製造工程を想定した評価まで一貫して行うスマートラボラトリーを開設」(2026.11.05, PR TIMES 배포)와 이를 전한 고무타임스 기사를 함께 읽었습니다. 요약, 핵심 메커니즘의 원문 예, 통념과 다른 주장, 사례, 원문 사례 표는 이 자료들의 내용을 AX Review가 다시 정리했습니다. 핵심 메커니즘의 작동 설명 일부(결합 방식, 베이지안 최적화), 기술 디테일, 현업 실행 디테일, JSON 예시, 판정 기준, 일정표, 인포그래픽은 실제로 돌릴 때 필요한 내용을 새로 작성했으며 가상 예시는 그렇게 밝혔습니다. 원문은 사용하는 AI 모델과 장비, 데이터 규모, 고객 공정 가공의 구체 단계, 투자 금액을 밝히지 않았습니다. 전체 내용은 원문에서 볼 수 있습니다.