AI 경험기술
AI로 직무 전문성을 쌓은 과정과 본인의 역할을 프로젝트·연구 경험으로 증명합니다.
SK하이닉스 지원 준비생 · AI 프로젝트 단기 특강
반도체 문제를
AI 프로젝트로
증명하라
2시간 동안 문제를 찾고 데이터를 탐색합니다.Agent로 분석과 시각화를 실행합니다.머신러닝 결과를 Holdout으로 검증합니다.앱과 보고서로 경험을 증명합니다.
SK하이닉스 공식 교육과정이 아닌 지원 준비생 대상 독립 특강입니다.
01 / USER모델보다 사용자의 결정을 먼저
02 / DATA평균보다 데이터 품질을 먼저
03 / PHYSICSAI보다 검증된 원리를 먼저
04 / CAUSALITY상관과 인과, 대안 설명을 분리
05 / EVIDENCE말보다 diff·test·page로 증명
01 · SK하이닉스 신 채용
AI를 썼는지가 아니라,
어떻게 문제를 풀었는가
새 채용에서는 지원서에 적은 AI 경험과 현장에서 보여주는 문제해결 과정이 연결됩니다. 지원자는 전공지식으로 문제를 정의하고, LLM을 활용해 정보를 탐색한 뒤, 결과의 근거와 한계를 자신의 언어로 설명할 수 있어야 합니다.
PC 기반 과제
과제를 분석하고 LLM으로 필요한 정보를 탐색하며 해결안을 도출합니다.
PT·인터뷰
문제해결 과정을 발표하고 연구·수상·지원서 경험의 깊이를 후속 질문으로 확인합니다.
관점과 시너지
열린 주제를 두고 타인의 의견을 경청하며 공동의 결론을 발전시킵니다.
직무 기초 응답
직무 기초 질문에 지원자가 자신의 지식과 논리로 응답합니다.
지원서가 면접의 출발점
AI를 활용했다는 사실보다 문제, 본인의 역할, 전공지식, 검증 과정과 성과를 구체적으로 기록합니다.
LLM은 정답지가 아닙니다
질문을 좁히고 출처와 계산을 확인하며 대안가설을 비교합니다. 채택한 답뿐 아니라 판단 근거와 한계를 설명합니다.
4분기 AI 해커톤 대비
문제 정의·데이터 분석·검증·발표까지 완주한 작은 포트폴리오를 준비합니다.
최종 공고를 다시 확인
평가 순서, 제공 LLM 기능, 문항과 경험기술서 분량 및 Fast Track 조건은 최종 공고가 우선합니다.
문제의 본질을 질문하고, 기술 변화에 적응하며, 다른 관점과 유연하게 협업하는 힘을 프로젝트 과정에서 보여줍니다.
공식 채용 방향 확인Tech R&D·제조·Infra 등 관심 직무의 인터뷰를 읽고, 제품·공정·사용자 결정과 자신의 전공지식을 연결합니다.
직무 인터뷰 탐색막연한 주장 대신 관측값·가설·대안 설명·검증 결과를 다음 행동으로 연결합니다.
데이터 기반 문화 사례직무를 이해하고, 본질을 질문하고, 데이터로 검증하고, 함께 더 나은 답을 만든다.
Agent와 일하는 기본 구조
- 문제를 구조화합니다. 관찰된 사실, 내려야 할 결정, 제약조건과 모르는 것을 분리합니다.
- 전공지식을 호출합니다. Photo라면 Dose·Focus·PR tone·PEB·CD·공정 Window처럼 원인 구조를 만드는 키워드를 먼저 넣습니다.
- PLAN.md를 작성합니다. 목표, 주가설과 대안가설, 작업 순서, 사용할 데이터, 완료·중단·검증 기준을 현재 문제의 실행계획으로 고정합니다. 템플릿 열기
- AI와 티키타카합니다. 첫 답을 채택하지 않고 “근거는?”, “반대 가설은?”, “어떤 그래프로 틀렸음을 확인할까?”를 반복해 계획과 결과를 수정합니다.
- SKILL.md로 일반화합니다. 여러 번 검증해 효과가 확인된 데이터 감사·가설 비교·보고 절차만 다음 프로젝트에서도 재사용할 작업법으로 남깁니다. 템플릿 열기
지원서와 면접에 남길 증거
- 어떤 직무 문제를 왜 선택했는지 한 문장으로 설명한다.
- AI가 맡은 탐색·코드·검수와 사람이 맡은 판단을 구분한다.
- 전공지식·원자료·Holdout으로 AI 결과를 검증한 과정을 남긴다.
- 실패한 접근과 수정 이유를 Commit·그래프·오차 사례로 제시한다.
- Streamlit 앱과 GitHub Pages 보고서로 다른 사람이 결과를 재현하게 한다.
주 AI는 보존하고, 막히면 즉시 전환
사용량 보호 가이드14시 이후 Claude·GPT 사용을 멈추고 수업에서는 3회만 호출합니다. 한도 발생 시 Gemini·페어·로컬 스크립트로 계속합니다.
01 / LECTURE MAP
1회 120분의 압축 실습
설치와 계정 생성은 수업 전에 끝냅니다.수업에서는 전체 흐름을 한 번 경험합니다.8월 20일까지 가능한 한 많이 연습해 봅니다.
02 / EIGHT-STEP METHOD
데이터에서 지원서의 AI 경험까지
AI는 답을 대신 말하는 도구가 아니라 계획을 실행하고 반박하는 협력자입니다. 여덟 단계마다 사람이 내려야 할 판단과 남겨야 할 증거를 분리합니다.
문제 파악
현상·사용자·데이터·결정·성공 기준을 한 문장으로 좁힙니다.
데이터 탐색
변수 의미, 단위, 분포, 결측·이상점·편중을 확인합니다.
AI 계획
PLAN.md에 가설·대안가설·분석법·검증조건을 고정합니다.
Agent 분석
데이터 처리·시각화·기준선 머신러닝을 실행하고 오차를 검증합니다.
재현 앱
다른 CSV도 Import해 같은 분석을 반복하는 Streamlit 앱을 만듭니다.
보고·토의
독립형 index.html에서 전공지식으로 해석·반론·한계를 토의합니다.
문서화
README.md에 실행법을, SKILL.md에 반복 가능한 Agent 절차를 남깁니다.
공개 배포
Streamlit Community Cloud와 GitHub Pages URL을 포트폴리오로 연결합니다.
PORTFOLIO = Problem → Explore → Plan → Agent → Reproduce → Discuss → Document → Publish
03 / BUILD YOUR EVIDENCE
연구하듯 성과를 만듭니다
역사학 석사생이 질문·사료·주장을 좁혀 논문을 완성하듯, 엔지니어는 문제·데이터·근거·반증을 좁혀 작동하는 결과물을 완성합니다.
연구질문
누가 어떤 숫자를 보고 어떤 결정을 해야 하는가?
ARTIFACT · PLAN.md데이터카드
한 행, 단위, 시점, 출처, 결측과 편중을 정의합니다.
ARTIFACT · schema & audit근거카드
공식문서·논문 원문에서 물리식의 변수와 적용 조건을 확인합니다.
ARTIFACT · research/SOURCES.md주장감사
관찰, 주가설, 대안가설, 반증조건을 분리합니다.
ARTIFACT · hypothesis table분석·검증
기준모델, Holdout, 오차 사례로 AI의 기여를 확인합니다.
ARTIFACT · report & tests작동형 결과
입력 변화, 판단, 위험, 한계를 Live Page에서 보여줍니다.
ARTIFACT · URL & pitch원문 URL, 확인한 사실, 적용범위, 미확인을 근거카드로 정리
문제·출처 3개·데이터 정의·가설·반증조건을 저장소에 전달
데이터 감사→기준모델→Holdout→보고서→웹페이지를 제작
Commit 이력과 작동 데모를 하나의 공개 포트폴리오로 제시
PHOTO CD / EVIDENCE SEQUENCE
AI는 탐색하고,나는 판단한다.
SK하이닉스 문제해결 PT를 위한 9단계 증거 카드입니다. 공정 데이터와 AI 토론 결과를 넘기며 최종 의사결정을 설명합니다.
PROBLEM → AUDIT → VISUALIZE → HYPOTHESIS → VALIDATE → PRESENTDRAG / KEYBOARD / CLICK
현상결정기준
EVIDENCE / 0101 / PROBLEM
왜 Edge에서만 CD가 낮아졌는가?
문제를 관찰 가능한 문장으로 바꾸고 판단 기준을 먼저 고정합니다.
PROOF · 사용자·결정·성공기준
SCHEMA02 / DATA CARD
행·단위·시점을 정의
Run, Wafer, Lot 중 분석 단위를 정하고 변수의 의미와 범위를 기록합니다.
PROOF · schema.jsonAUDIT03 / DATA QUALITY
결측과 편중을 감사
평균보다 먼저 누락 위치, 이상치, Tool·Lot·시간 편중을 확인합니다.
PROOF · audit tableRADIUS × CD
04 / VISUALIZE
평균 너머의 영역 패턴
radius_mm를 Center·Mid·Edge로 묶어 CD 변화와 기준 이탈을 확인합니다.
PROOF · radial profile + caption
PROCESS05 / CONTEXT
PHOTO_C Edge CD 저하
Tool 평균이 아니라 radius_mm 영역별 변화부터 확인합니다.
PROOF · facet & process window주가설대안반증
CLAIM06 / HYPOTHESIS
PHOTO_B 평균 미끼를 배제
평균 최고값을 원인으로 단정하지 않고 영역·시점·결측 대안을 비교합니다.
PROOF · hypothesis tableAGENT07 / AI DIALOGUE
AI와 반박하며 분석
탐색·코드·정리는 맡기되 전공 판단과 Trade-off 결정은 사람이 수행합니다.
PROOF · prompt change & diffBASE기준모델
HOLD미공개 평가
ERR실패 사례
TEST재현 검증
08 / VALIDATE
Holdout으로 검증
복잡한 모델이 단순 기준보다 나은지와 언제 실패하는지를 확인합니다.
PROOF · metrics + error cases판단한계다음실험
PITCH09 / PRESENT
3장 PT로 판단을 설명
문제·증거·판단을 연결하고 AI의 기여, 한계와 다음 행동을 제시합니다.
PROOF · live URL + 90s pitch04 / PHOTO CASE
PR 조건에서 CD Margin까지
Positive·Negative PR을 한꺼번에 평균내지 않습니다. PR tone, 코팅 두께, Dose·Focus, PEB·현상조건이 CD와 결함 위험에 함께 연결되는 구조를 봅니다.
PR TONEPositive·Negative와 retained pattern source 구분
COAT코팅 두께와 두께×PEB·Dose 상호작용
EXPOSE정규화 Dose와 Focus의 공정 Margin
DEVELOPPEB·현상시간·농도와 잔사·line loss 위험
QUALITYCD·CDU·LER·Scum·Collapse·Defect
주의: PR 재료계, mask·feature tone, 광학계, Tool·Field 위치가 대안 설명일 수 있습니다. 합성 데이터의 Dose–CD 방향을 실제 Recipe 규칙으로 일반화하지 않습니다.
DOSE—FOCUS / PR TONESYNTHETIC MARGIN VIEW
Positive PR facetNegative PR facetDefect risk
LIVE / TODAY'S ROUTE
문제를 본 뒤, 완성본을 해체합니다
Claude로 만든 결과를 정답으로 복제하지 않습니다. Photo 문제에서 출발해 실제 프롬프트와 정제된 가이드를 비교하고, 각자의 AI로 같은 증거 기준을 다시 구현합니다.
01PROBLEM
Photo 공정 문제 이해
PR tone·두께·Dose·Focus·PEB·현상조건과 CD·결함 위험의 연결 구조를 먼저 설명합니다.
강의 사례로 돌아가기 → 02REFERENCE OUTPUTClaude 완성본 시연
최종 대시보드·분석·보고서가 어떤 사용자 결정과 검증 증거를 제공하는지 먼저 확인합니다.
완성 프로젝트 열기 ↗ 03RAW PROMPT실제 1차 프롬프트 해부
한 번에 넣었던 원본 요청을 보며 모호한 지시, 과도한 범위, 잘 작동한 제약을 함께 찾아냅니다.
실제 프롬프트 보기 ↗ 04REFINED GUIDE정제 가이드로 재실행
문제·계획·실행·검증을 작은 단계로 나눈 가이드를 자신의 Claude·Codex·Antigravity에서 실행합니다.
정제 가이드 보기 ↗완성본의 파일 구조를 읽고 프롬프트별 변경과 검증 결과를 비교합니다.
같은 목표를 PLAN → 최소 구현 → 테스트 순서로 실행하고 diff를 확인합니다.
공정 근거를 조사한 뒤 같은 데이터·완료 기준으로 구현하고 출처를 남깁니다.
10명을 현재 구독에 따라 세 레인으로 나누고, 같은 도구 사용자는 가까이 앉습니다.
강사는 Claude → Codex → Antigravity 순으로 순회하고, 한 레인에 4명 이상이면 2인 페어로 실행합니다.
모두 데이터 감사 표·그래프 1개·가설 1개를 화면에 띄우고 같은 완료 기준으로 확인합니다.
각 레인 대표 1명이 AI의 제안, 사람의 수정, 다음 검증을 60초씩 공유합니다.
공통 판정: 어떤 AI를 사용했는지가 아니라 문제정의, 데이터 감사, Holdout 검증, 실패 사례, README 재현 여부로 결과를 비교합니다.
05 / PROBLEM FINDER
문제를 먼저 찾습니다
아래 네 칸만 채워도 모델 선택 전에 검증 가능한 프로젝트 문장이 만들어집니다. 입력값은 서버로 전송되지 않습니다.
YOUR PROJECT DEFINITION
[사용자]가 [관측 데이터]를 보고 [결정]할 수 있도록, [전공 원리]와 AI 분석을 결합한다.
- 예상 상관관계와 대안 설명을 각각 한 개 적었습니까?
- 성능 KPI와 오탐·미탐 같은 위험 KPI가 있습니까?
- 새 데이터로 같은 분석을 재현할 수 있습니까?
- 실제 회사정보와 내부 Spec을 제거했습니까?
06 / DATA QUALITY
평균보다 먼저 볼 것
숫자가 많다고 증거가 되는 것은 아닙니다. 데이터가 어떻게 수집되고 누락되고 편중되었는지부터 확인합니다.
한 행과 단위를 정의
Run, Wafer, Lot, 시간창 중 무엇인지와 변수 단위를 먼저 고정합니다.
결측의 위치와 이유
일괄 삭제하지 않고 특정 Tool·기간·조건에 몰렸는지 봅니다.
극단값은 검토 후보
센서 오류, 단위 오류, 실제 희귀 조건을 구분하기 전에는 삭제하지 않습니다.
Tool·Lot·시간 편중
전체 평균이 특정 장비나 기간만 대표하는지 표본 수로 확인합니다.
미래 정보 누수 차단
예측 시점에 알 수 없는 품질 결과가 입력에 섞이지 않았는지 점검합니다.
기준모델과 분리 평가
학습과 평가 데이터를 분리하고 복잡한 모델이 단순 기준보다 나은지 확인합니다.
07 / VISUAL LANGUAGE
질문에 맞는 그래프
예쁜 차트를 고르지 않습니다. 무엇을 검증할지 먼저 말한 뒤 그래프를 선택합니다.
Histogram
분포와 꼬리
Box + points
Tool별 차이
Scatter
두 변수의 관계
Line
시간 변화·Drift
Heatmap
결측·상관 구조
08 / CHOOSE A CHALLENGE
주제를 누르면 토론이 시작됩니다
완성 수식이나 결론을 주지 않습니다. 팀이 질문·반박·검증을 반복할 수 있도록 교과 탐색 범위, 데이터 URL, 증거 기준만 제공합니다.
CD Margin Explorer
- 사용자 결정
- 어떤 PR tone과 조건을 먼저 DOE할 것인가?
- 입력
- 두께, Dose, Focus, PEB, 현상시간
- 먼저 감사
- Tone별 표본 수, 단위, 결측 위치, Tool 편중
- 기준모델
- 전체 평균 또는 단순 선형회귀
- 개선·검증
- 상호작용 모델, Holdout, PR tone별 오차
MVP: 입력 슬라이더 → CD·CDU·Scum 위험과 추가 DOE 제안
Overlay Correction Map
- 사용자 결정
- 어떤 보정계수와 Field를 먼저 확인할 것인가?
- 입력
- Translation, Rotation, Magnification, Field 위치
- 먼저 감사
- Wafer·Field 표본 수, 계측 이상, Tool 편중
- 기준모델
- Global 선형 보정
- 개선·검증
- Local Hot Spot 분리, Holdout residual, 합격률
MVP: Wafer 선택 → Global 보정과 Local 잔차 비교
Robust Recipe Finder
- 사용자 결정
- 어떤 Recipe 후보를 먼저 시험할 것인가?
- 입력
- Down Force, 속도, Slurry, Pad Age
- 먼저 감사
- 극단값, Tool·Lot 편중, 목표 누수
- 기준모델
- 현재 Recipe 또는 단일 KPI 최대화
- 개선·검증
- Pareto 후보, Holdout, Tool별 민감도
MVP: 조건 조작 → RR·WIWNU·Dishing의 trade-off 표시
09 / AUTONOMOUS PROJECT
8월 20일까지 가능한 한 많이 연습해 봅니다
수업에서 경험한 여덟 단계를 자신의 전공 주제와 여러 데이터에 반복 적용합니다. 연습 횟수보다 매번 남기는 검증 증거와 개선 기록이 중요합니다.
문제 파악
현상·사용자·의사결정·성공 기준을 한 문장으로 고정합니다.
PROOFPLAN.md · first commit
데이터 탐색
스키마·단위·결측·중복·이상점·Tool/Lot 편중을 감사합니다.
PROOFdata card · audit
AI 계획
전공 키워드, 주가설·대안가설, 분석법과 중단조건을 정합니다.
PROOFPLAN.md · sources
Agent 분석
시각화와 기준선 머신러닝을 실행하고 Holdout·오차 사례로 비교합니다.
PROOFcode · test · metric
Streamlit 재현
다른 CSV를 넣어도 입력 검증·그래프·결과가 다시 만들어지게 합니다.
PROOFstreamlit.io URL
HTML Discussion
Base64 이미지를 내장한 index.html에 전공지식 기반 해석·반론·한계를 씁니다.
PROOFstandalone index.html
README·SKILL
실행법과 결과, 반복 가능한 Agent 절차, AI 오류와 사람의 수정을 남깁니다.
PROOFREADME.md · SKILL.md
Pages 배포
GitHub Pages 보고서에서 Streamlit 앱을 연결하고 지원서 문장의 증거로 사용합니다.
PROOFPages URL · final commit
지원서에 남길 6가지
- 문제와 사용자 결정
- 본인의 역할과 전공지식
- AI에 맡긴 일과 맡기지 않은 일
- 데이터 감사·분석·구현
- 실패·인간 검증·수정
- 성과·한계·공개 URL
문제 정의15
데이터 품질·재현성20
기준모델·시각화·분석20
Holdout·오차·불확실성15
Streamlit·GitHub Pages15
AI 활용·인간 검증15
완성 기준: 새 데이터 Import → 같은 분석 재실행 → 결과·그래프 갱신 → 한계 표시 → README만 보고 재현. 화려한 UI보다 검증 가능한 작은 제품을 우선합니다.
10 / EXECUTION GUIDE
수업 전 준비에서 공개 배포까지
설치·로그인은 수업 전에 끝냅니다. 수업에서는 1–4단계를 함께 실행하고, 8월 20일 이후 5–8단계를 자신의 데이터로 완성합니다.
파일·Terminal·diff를 한 화면에서 확인
작업과 사람의 판단을 Commit으로 기록
데이터 감사·그래프·모델·테스트 실행
Claude·GPT·Gemini 중 현재 구독 사용
PLAN·Holdout·diff·테스트로 동일 평가
세 구독, 하나의 프로젝트 기준
- Claude → Desktop 또는 Claude Code
- GPT → Desktop 또는 Codex
- Gemini → Gemini 또는 Antigravity
- 공통 PLAN·분석·Holdout 검증
- 공통 README·HTML·Streamlit 결과물
AI가 달라도 파일·실행 명령·평가 기준은 동일
수업은 설치 시간이 아닙니다
- 상세 가이드를 한 줄씩 그대로 실행
- 정상 결과와 완료 기준을 매 단계 확인
- 오류는 FAIL 한 줄과 화면 캡처로 사전 공유
- 수업에서는 바로 문제 정의·데이터 분석 시작
처음 사용하는 사람도 같은 출발점에서 Agent 실습 시작
공통 대체 경로: 선택한 AI가 프로젝트 폴더를 직접 읽거나 실행하지 못하면, 파일을 대화에 첨부하고 AI가 제시한 코드·명령을 VS Code와 PowerShell에서 직접 실행합니다. AI 종류가 아니라 실행 결과와 Holdout 검증으로 판정합니다.
01. 공통 환경과 선택 AI 확인
개인 Fork, Git·Python·VS Code, 선택한 AI 하나와 READY를 확인합니다.
git --version
py --version
code --version
.\.venv\Scripts\python.exe tools\student_preflight.py02. 선택한 AI로 같은 계획 만들기
Claude·GPT·Gemini 중 하나에서 공통 프롬프트를 실행하고, 수정 전에 문제·가설·검증 계획을 확인합니다.
README.md, AGENTS.md, templates/PLAN.md를 먼저 읽어라.
파일을 수정하지 말고 문제와 다음 3단계 계획만 답하라.03. 저장소를 Fork하고 Clone
GitHub 오른쪽 위 Fork로 개인 복사본을 만든 뒤 `Code → HTTPS` 주소를 복사합니다.
git clone YOUR_REPOSITORY_HTTPS_URL semiconductor-ai-project
cd semiconductor-ai-project
code .
python tools/student_preflight.py04. 데이터 다운로드와 품질 감사
`주제·데이터`에서 A 또는 B 하나를 고릅니다. Train으로 가설을 만들고 Holdout은 마지막 검증에만 사용합니다.
python -m pip install -r requirements-class.txt
python lessons/data_quality_visualization_demo.py
python -m unittest discover -s tests -v05. 새 CSV를 받는 Streamlit 앱
수업 후 선택 심화입니다. 골격 파일에 데이터 열 검사, 핵심 그래프, 기준모델과 Holdout 결과를 차례로 추가합니다.
Copy-Item templates\streamlit_app.py app.py
streamlit run app.py06. Base64 독립형 HTML 보고서
수업 후 선택 심화입니다. 관찰·해석·대안가설·한계·다음 실험을 자신의 전공지식으로 씁니다.
New-Item -ItemType Directory -Force outputs
py templates\build_standalone_report.py
py -m http.server 800007. README·SKILL·AI 활용 기록
수업 후 선택 심화입니다. README에는 실행법을, SKILL에는 재사용할 절차를, AI_USAGE에는 AI의 오류와 사람의 수정을 기록합니다.
Copy-Item templates\PLAN.md PLAN.md
Copy-Item templates\SKILL.md SKILL.md
Copy-Item templates\AI_USAGE.md AI_USAGE.md
git diff --check
py -m unittest discover -s tests -v08. Streamlit과 GitHub Pages 공개
수업 후 선택 심화입니다. 민감정보를 제거한 뒤 Push하고 Streamlit URL을 보고서에 연결합니다.
git status --short
git add .
git commit -m "Publish reproducible AI project"
git push완료: 새 CSV로 앱 재실행 · Streamlit URL · GitHub Pages URL · README 재현 성공
END OF SESSION / 115—120
수업은 한 번,
재현은 스스로.
오늘 만든 문제와 분석 골격을 8월 20일부터 다른 데이터에 반복해 이력서의 검증 가능한 AI 활용 경험으로 완성합니다.
- 한 문장 문제정의와 PLAN.md
- A/B 학습·Holdout 데이터 선택
- 전공지식·주가설·대안가설
- Agent 분석·그래프·기준모델
- 새 CSV를 받는 Streamlit 앱
- Base64 독립형 index.html
- README.md·SKILL.md·AI_USAGE.md
- Streamlit·GitHub Pages URL
실제 Fab 데이터·내부 Spec·장비 로그·고객정보·개인정보·API Key는 제출하지 않습니다.