기계 학습은 산업 품질 관리 프로세스 최적화에 필수적이지만, 모델의 복잡성으로 인해 해석 가능성이 부족하여 실용적인 적용이 제한됨. 이 논문은 XAI 기술을 활용하여 사출 성형 부품의 품질 분류에 미치는 특징 감소의 영향을 조사함. SHAP, Grad-CAM, LIME을 사용하여 실제 생산 데이터로 훈련된 LSTM 모델에서 특징 중요도를 분석하고, 19개의 입력 특징을 9개, 6개로 줄여 모델 정확도, 추론 속도 및 해석 가능성 간의 균형을 평가함. 특징 감소가 높은 분류 성능을 유지하면서 일반화 성능을 개선하고 추론 속도를 약간 증가시킬 수 있음을 보여줌. 이는 제한된 센서 기능을 가진 산업 환경에서 AI 기반 품질 관리의 실현 가능성을 높이고, 제조 분야에서 더 효율적이고 해석 가능한 기계 학습 응용 프로그램을 위한 길을 열어줌.
