불량 판정 임계값을 현장 비용으로 조정하는 법
불량 판정 점수의 경계는 기술 숫자처럼 보이지만 실제로는 품질 손실과 재검사 비용 사이의 선택입니다. 임계값을 현장 비용에 맞춰 조정해야 합니다.
현장의 문제를 구체화한다
결함별 미검출 비용과 양품 오판 비용을 분리합니다. 고객 안전과 직결되는 결함은 놓침의 비용이 특히 높을 수 있습니다. 반대로 재검사 가능한 경미한 외관 차이는 별도 대기열로 보낼 수 있습니다. 모든 결함을 하나의 임계값에 묶지 않습니다.
판정과 데이터 기준을 세운다
모델 점수가 확률처럼 보이더라도 보정되지 않았을 수 있습니다. 구간별 실제 불량 비율을 대조해 점수의 의미를 확인합니다. 학습 데이터와 현장 데이터의 제품 비율이 다르면 같은 임계값이 다른 오류율을 만들 수 있습니다.
제한된 조건에서 시험한다
여러 임계값 후보로 과거 데이터를 재생해 예상 비용과 재검사 물량을 비교합니다. 최저 비용만 찾지 말고 현장 처리 능력과 고객 요구 품질을 제약으로 둡니다. 선택한 값과 근거는 변경 이력으로 남깁니다.
성능과 비용을 함께 본다
임계값 변경 뒤에는 양품 오판률, 불량 미검출률, 재검사 대기시간을 봅니다. 평균 비용이 줄어도 특정 제품이나 교대조에서 문제가 늘 수 있습니다. 품질 담당자와 생산 담당자가 같은 대시보드에서 비교하는 편이 좋습니다.
조건 변화에 대응한다
제품 설계나 조명이 바뀌면 점수 분포도 움직입니다. 고정 임계값을 영구 설정으로 취급하지 말고 재검증 조건을 정합니다. 다만 실시간 자동 조정은 통제 없이 기준이 흔들릴 수 있으므로 승인과 되돌리기 절차가 필요합니다.
현장에 적용할 때의 순서
- 결함별 오류 비용·재검사 용량 정의
- 점수 보정과 후보 임계값 비교
- 변경 근거·승인·되돌리기 기록
주의할 실패: 모든 제품에 하나의 경계 적용
관찰할 지표: 오판률·미검출률·대기시간
적용 전 체크리스트
- 결함별 오류 비용·재검사 용량 정의
- 점수 보정과 후보 임계값 비교
- 변경 근거·승인·되돌리기 기록
참고 자료
Google ML — Precision and Recall. 분류 임계값의 정밀도·재현율 균형은 Google 공식 자료를 참고했습니다. 현장 비용 기반 선택은 적용 제안입니다.
이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.
#비전AI #임계값 #오류비용 #품질검사 #재검사 #네이처프랙탈 #제조혁신 #스마트공장 #현장데이터 #AI도입
이 주제를 실제 시스템으로 옮기려면 AI 알고리즘 개발 살펴보기
