圖源：圖蟲(chóng)

編者按：本文來(lái)自微信公眾號(hào)機(jī)器之能（ID： almosthuman2017），作者機(jī)器之能，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

從研究、設(shè)計(jì)到生產(chǎn)銷(xiāo)售，人工智能/機(jī)器學(xué)習(xí)(AI/ML)有潛力為半導(dǎo)體公司在每一個(gè)步驟產(chǎn)生巨大的商業(yè)價(jià)值。但是，麥肯錫最近對(duì)半導(dǎo)體設(shè)備制造商的調(diào)查顯示，只有大約30%的受訪者表示，他們已經(jīng)通過(guò)AI/ML創(chuàng)造了價(jià)值。值得注意的是，這些公司在AI/ML人才、數(shù)據(jù)基礎(chǔ)設(shè)施、技術(shù)和其他促進(jìn)因素方面進(jìn)行了大量投資，并且已經(jīng)完全擴(kuò)大了它們的初始用例。其他的受訪者(約70%)仍處于AI/ML的試點(diǎn)階段，進(jìn)展已經(jīng)停滯。

麥肯錫相信，AI/ML在半導(dǎo)體行業(yè)的應(yīng)用將在未來(lái)幾年內(nèi)急劇加速?，F(xiàn)在采取措施擴(kuò)大規(guī)模將使公司充分利用這些技術(shù)的好處。

需要說(shuō)明的，本文所說(shuō)的設(shè)備制造商，主要包括集成設(shè)備制造商(IDMs)、無(wú)廠半導(dǎo)體公司（fabless）、代工廠和半導(dǎo)體組裝和測(cè)試服務(wù)商（SATS）。

AI 在應(yīng)對(duì)未來(lái)挑戰(zhàn)中的作用

由于對(duì)資本的高要求，半導(dǎo)體公司處于贏者通吃或贏者通吃的環(huán)境中。因此，他們一直試圖縮短產(chǎn)品生命周期，積極追求創(chuàng)新，以更快地推出產(chǎn)品，保持競(jìng)爭(zhēng)力。但賭注也越來(lái)越高。隨著每一個(gè)新技術(shù)節(jié)點(diǎn)的出現(xiàn)，費(fèi)用都會(huì)上升，因?yàn)殡S著結(jié)構(gòu)變小，研究和設(shè)計(jì)投資以及生產(chǎn)設(shè)備的資本支出都會(huì)大幅增加。

例如，65納米芯片的研究和設(shè)計(jì)成本大約2800萬(wàn)美元，如今前沿5納米節(jié)點(diǎn)的研發(fā)設(shè)計(jì)成本已經(jīng)暴增到大約5.4億美元(表1)。與此同時(shí)，相同節(jié)點(diǎn)的fab建設(shè)成本已經(jīng)從4億美元增加到54億美元。

表1：芯片設(shè)計(jì)以及工廠建設(shè)成本，隨著芯片日益復(fù)雜而水漲船高。

隨著公司試圖提高研究、芯片設(shè)計(jì)和制造的生產(chǎn)率，同時(shí)加快上市時(shí)間，AI/ML正成為整個(gè)價(jià)值鏈上越來(lái)越重要的工具。麥肯錫研究表明，現(xiàn)在，AI/ML每年為半導(dǎo)體公司貢獻(xiàn)50億至80億美元的息稅前利潤(rùn)(表2)。數(shù)字令人印象深刻，但僅反映出AI/ML在行業(yè)內(nèi)全部潛力的10%左右。

未來(lái)兩到三年內(nèi)，AI/ML每年可能產(chǎn)生350億到400億美元的價(jià)值。在更長(zhǎng)的時(shí)間范圍內(nèi)——未來(lái)四年或更長(zhǎng)時(shí)間內(nèi)——這一數(shù)字可能會(huì)上升到每年850億至950億美元。這一數(shù)字相當(dāng)于該行業(yè)當(dāng)前5000億美元年收入的20%，幾乎相當(dāng)于2019年1100億美元的資本支出。

雖然這種價(jià)值很大一部分將不可避免地傳遞給客戶，但獲取這種價(jià)值的競(jìng)爭(zhēng)優(yōu)勢(shì)，尤其是對(duì)早期的先行者來(lái)說(shuō)，將是不可能被忽視的。

表2：長(zhǎng)遠(yuǎn)來(lái)看，人工智能可以為半導(dǎo)體公司帶來(lái)850億到950億美元的收益。

半導(dǎo)體行業(yè)的AI/ML用例

AI/ML的落地案例橫跨了半導(dǎo)體設(shè)備制造商的整個(gè)價(jià)值鏈(表3)。有些案例還會(huì)勾連多個(gè)價(jià)值鏈條環(huán)節(jié)，比如，需求預(yù)測(cè)和庫(kù)存優(yōu)化領(lǐng)域的案例，會(huì)與制造、采購(gòu)、銷(xiāo)售和運(yùn)營(yíng)計(jì)劃產(chǎn)生關(guān)聯(lián)。

表3：全面案例熱圖。

從整個(gè)行業(yè)來(lái)看，制造環(huán)節(jié)將從AI/ML中獲得最大的價(jià)值(表4，長(zhǎng)期來(lái)看，降本達(dá)38%)。鑒于半導(dǎo)體制造涉及的資本支出、運(yùn)營(yíng)支出和材料成本，這一結(jié)論并不奇怪。最大相對(duì)開(kāi)支減少將發(fā)生在研究和設(shè)計(jì)方面（降本28%-32%），主要是由于芯片設(shè)計(jì)和驗(yàn)證的自動(dòng)化。

表4：制造業(yè)將從AI/ML中獲得最大的價(jià)值。最大的相對(duì)開(kāi)支減少將發(fā)生在研究和設(shè)計(jì)領(lǐng)域。

1、制造中的AI/ML用例

作為一個(gè)大型制造企業(yè)，人力和生產(chǎn)等制造成本一直居高不下。生產(chǎn)制造也是半導(dǎo)體行業(yè)最大的成本驅(qū)動(dòng)因素，而AI/ML用例將帶來(lái)最大的價(jià)值——約占總價(jià)值的40%。它們可以降低成本，提高產(chǎn)量，或者增加工廠的生產(chǎn)能力。從長(zhǎng)遠(yuǎn)來(lái)看，麥肯錫估計(jì)他們將降低生產(chǎn)成本(包括銷(xiāo)售成本和折舊)高達(dá)17%。以下是幾個(gè)例子。

調(diào)整工具參數(shù)。定義工藝配方時(shí)，半導(dǎo)體公司通常會(huì)指定一個(gè)恒定的時(shí)間范圍。但是，對(duì)某些個(gè)別晶圓來(lái)說(shuō)，設(shè)定的時(shí)間范圍會(huì)出現(xiàn)系統(tǒng)性或者統(tǒng)計(jì)意義上的波動(dòng)，因此，工藝過(guò)程會(huì)在已經(jīng)產(chǎn)生所需結(jié)果（例如特定的蝕刻深度）之后，繼續(xù)運(yùn)行，進(jìn)而增加時(shí)間，浪費(fèi)甚至損壞芯片。

為了實(shí)現(xiàn)更高的精度，半導(dǎo)體公司可以使用現(xiàn)場(chǎng)工具傳感器數(shù)據(jù)、計(jì)量讀數(shù)和先前工藝步驟中的工具傳感器讀數(shù)，從而允許機(jī)器學(xué)習(xí)模型捕捉工藝時(shí)間和結(jié)果之間的非線性關(guān)系，如蝕刻深度。收集的數(shù)據(jù)可能包括蝕刻過(guò)程中的電流、光刻過(guò)程中的光強(qiáng)和烘烤過(guò)程中的溫度。有了這些模型，可以在每個(gè)晶片或每個(gè)批次的基礎(chǔ)上實(shí)現(xiàn)最佳工藝時(shí)間，以縮短處理時(shí)間，提高產(chǎn)量，或兩者兼得，從而降低銷(xiāo)售成本(COGS)和提高吞吐量。

晶圓片外觀檢查。芯片是非常精密的產(chǎn)品，在生產(chǎn)過(guò)程中質(zhì)量檢測(cè)壓力巨大，每一道工序的質(zhì)檢都相當(dāng)重要。傳統(tǒng)生產(chǎn)主要通過(guò)在前端和后端生產(chǎn)過(guò)程的早期檢測(cè)缺陷來(lái)幫助確保質(zhì)量。例如，使用攝像頭、顯微鏡或掃描電子顯微鏡。但是，傳統(tǒng)系統(tǒng)無(wú)法對(duì)這些圖像缺陷進(jìn)行精細(xì)的分類(lèi)與定位，仍然需要人工下載每張圖片判定種類(lèi)及其潛在影響，以及后續(xù)工藝如何處理。不僅容易出現(xiàn)錯(cuò)誤和積壓，也將生產(chǎn)成本不斷推高。

先進(jìn)的計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)技術(shù)使現(xiàn)代晶圓檢測(cè)系統(tǒng)成為可能，通過(guò)訓(xùn)練，系統(tǒng)可以自動(dòng)檢測(cè)和分類(lèi)晶圓上的缺陷，其準(zhǔn)確性與人類(lèi)檢查員相當(dāng)，甚至更好。專(zhuān)門(mén)的硬件(如張量處理單元)和云服務(wù)使計(jì)算機(jī)視覺(jué)算法的自動(dòng)化培訓(xùn)成為可能。這反過(guò)來(lái)又允許更快的操作、實(shí)時(shí)推斷和可伸縮的部署。

通過(guò)這種方法，公司可以獲得對(duì)潛在工藝或工具偏差的早期洞察，允許他們更早地發(fā)現(xiàn)問(wèn)題并提高產(chǎn)量，同時(shí)降低成本。

比如，在華星光電，導(dǎo)入AI判片（不過(guò)，這里是面板生產(chǎn)），一整個(gè)面板的片子識(shí)別速度已經(jīng)做到15毫秒左右，而人工大概需要五分鐘。同時(shí)，缺陷識(shí)別準(zhǔn)確率已超過(guò)90%，超過(guò)人類(lèi)。最開(kāi)始人員替代只有二三十人，團(tuán)隊(duì)用了兩年時(shí)間提升系統(tǒng)，現(xiàn)在替代數(shù)量達(dá)到140人，未來(lái)總體可以替代50%人力。

2、研究和芯片設(shè)計(jì)中的AI/ML用例

AI/ML用例可以幫助半導(dǎo)體公司優(yōu)化他們的投資組合，并在研究和芯片設(shè)計(jì)階段提高效率。通過(guò)消除缺陷和超差的過(guò)程步驟，公司可以避免耗時(shí)的迭代，加速成品率的上升，并降低維持成品率所需的成本。它們還可以自動(dòng)處理與物理布局設(shè)計(jì)和驗(yàn)證過(guò)程相關(guān)的耗時(shí)過(guò)程。

盡管我們還沒(méi)有達(dá)到AI/ML加速可以應(yīng)用到設(shè)計(jì)和芯片設(shè)計(jì)所有階段的地步，但是，也沒(méi)有反例證明它不能隨著時(shí)間的推移進(jìn)一步滲透。麥肯錫預(yù)測(cè)，AI/ML最終可能會(huì)將目前的研發(fā)成本基礎(chǔ)降低28%至32%，甚至高于制造業(yè)的預(yù)期收益。

集成電路設(shè)計(jì)中的自動(dòng)良率學(xué)習(xí)。如果在集成電路（IC）設(shè)計(jì)過(guò)程中出現(xiàn)失誤，半導(dǎo)體公司必須根據(jù)制造商的反饋進(jìn)行多次昂貴且復(fù)雜的迭代。

半導(dǎo)體公司可以通過(guò)部署ML算法來(lái)識(shí)別組件故障中的模式，預(yù)測(cè)新設(shè)計(jì)中可能出現(xiàn)的故障并提出最佳布局以提高良率來(lái)避免此問(wèn)題。在此過(guò)程中，借助基于AI的分析，將IC設(shè)計(jì)分解為關(guān)鍵組件。然后，算法將這些組件結(jié)構(gòu)與現(xiàn)有設(shè)計(jì)進(jìn)行比較，以識(shí)別單個(gè)微芯片布局內(nèi)的問(wèn)題位置并改善設(shè)計(jì)。因此，AI和ML輔助設(shè)計(jì)可以大大降低COGS，提高終端產(chǎn)量，并縮短新產(chǎn)品的上市時(shí)間。它還可以減少維持最終產(chǎn)量所需的精力。

例如，有的公司通過(guò)引入預(yù)測(cè)及認(rèn)知技術(shù)，由過(guò)去依賴(lài)設(shè)計(jì)師和工程師的個(gè)人經(jīng)驗(yàn)，轉(zhuǎn)移到利用AI提高設(shè)計(jì)效率，降低驗(yàn)證成本。通過(guò)輸入歷史數(shù)據(jù)和相關(guān)參數(shù)，系統(tǒng)會(huì)自動(dòng)獲得設(shè)計(jì)結(jié)果，并在模擬器上預(yù)測(cè)設(shè)計(jì)效果，在人類(lèi)工程師配合下快速修正設(shè)計(jì)。而且，人工智能通過(guò)學(xué)習(xí)，還能給設(shè)計(jì)者帶來(lái)一些新的想法和創(chuàng)造力。這也是目前一個(gè)比較好的AI/ML落地方向。

其他領(lǐng)域。所有其他功能，包括計(jì)劃、采購(gòu)、銷(xiāo)售和定價(jià)，都將受益于AI/ML用例。通常，這些用例并不特定于半導(dǎo)體行業(yè)，而是部分地建立在其他行業(yè)中，因此允許更快地實(shí)現(xiàn)?？偟膩?lái)說(shuō)，將AI/ML用例應(yīng)用到其他功能上可以產(chǎn)生高達(dá)200億美元的年價(jià)值。

AI/ML大規(guī)模成功實(shí)施的六個(gè)關(guān)鍵因素

半導(dǎo)體公司進(jìn)行AI / ML轉(zhuǎn)換并大規(guī)模部署用例，麥肯錫建議關(guān)注六個(gè)推動(dòng)因素：戰(zhàn)略路線圖的制定，人才戰(zhàn)略，敏捷交付，技術(shù)，數(shù)據(jù)以及采用和擴(kuò)展（表5）。

表5：六個(gè)賦能因素對(duì)于AI規(guī)?；瘜?shí)施來(lái)說(shuō)，非常關(guān)鍵。他們分別是：路線圖、人才與組織、技術(shù)、數(shù)據(jù)、采納與擴(kuò)展以及敏捷交付。

1、創(chuàng)建戰(zhàn)略路線圖

最重要的是，擴(kuò)展AI/ML的努力必須成為公司的戰(zhàn)略優(yōu)先事項(xiàng)。最初的工作涉及協(xié)調(diào)數(shù)據(jù)，在優(yōu)先使用案例上達(dá)成共識(shí)，并鼓勵(lì)合適的業(yè)務(wù)，數(shù)據(jù)科學(xué)和工程技術(shù)人才之間的協(xié)作，這些工作太大了，因此無(wú)法作為一個(gè)自下而上的項(xiàng)目獲得成功。

理想情況下，最好將AI/ML工作與明確的業(yè)務(wù)目標(biāo)聯(lián)系在一起，使業(yè)務(wù)部門(mén)和業(yè)務(wù)職能部門(mén)共同致力于成功實(shí)現(xiàn)轉(zhuǎn)型。

例如，公司可以為預(yù)測(cè)性維護(hù)案例項(xiàng)目確定要節(jié)省的成本，并適當(dāng)提供資源。節(jié)省下的成本將有助于贊助案例并提供適當(dāng)資源，使其能夠?qū)崿F(xiàn)其業(yè)務(wù)目標(biāo)。這樣的收獲將極大激勵(lì)職能部門(mén)支持AI / ML的實(shí)施。設(shè)定明確的業(yè)務(wù)目標(biāo)還可以幫助公司衡量每個(gè)案例項(xiàng)目隨著時(shí)間變化帶來(lái)的收益。

根據(jù)定義的目標(biāo)，公司應(yīng)確定特定的業(yè)務(wù)領(lǐng)域和價(jià)值杠桿，這將是他們的重點(diǎn)。然后，他們可以選擇相關(guān)案例，以允許他們使用這些杠桿。

在確定用例優(yōu)先級(jí)時(shí)，公司應(yīng)強(qiáng)調(diào)其總價(jià)值，可行性和實(shí)現(xiàn)價(jià)值的時(shí)間。隨著經(jīng)驗(yàn)和能力的增長(zhǎng)，他們可以承擔(dān)其他案例，這些案例往往更難實(shí)現(xiàn)，或者需要更長(zhǎng)時(shí)間才能實(shí)現(xiàn)。在確定潛在案例價(jià)值時(shí)，公司應(yīng)研究經(jīng)常被忽視的杠桿，例如與縮短上市時(shí)間和提高質(zhì)量相關(guān)的競(jìng)爭(zhēng)優(yōu)勢(shì)。這樣的細(xì)節(jié)將使他們能夠準(zhǔn)確地確定計(jì)劃的大小和優(yōu)先級(jí)。

在確定了優(yōu)先事項(xiàng)之后，半導(dǎo)體公司必須為其AI/ML計(jì)劃分配足夠的資源，并研究與具備互補(bǔ)技能的第三方的支持性合作關(guān)系，而不是試圖自己重新發(fā)明輪子。一些更大的公司可能有能力在內(nèi)部開(kāi)發(fā)大多數(shù)功能，以及從他們龐大的工具群中獲得足夠的數(shù)據(jù)來(lái)訓(xùn)練AI/ML模型，使他們能夠完全控制所有相關(guān)的知識(shí)產(chǎn)權(quán)。

考慮到所需的資源，較小的參與者可能會(huì)發(fā)現(xiàn)，在可用的地方利用商業(yè)上可用的解決方案，或與他人合作開(kāi)發(fā)或共享算法，或創(chuàng)建聯(lián)合數(shù)據(jù)共享平臺(tái)，以增加培訓(xùn)模型可用的信息量，都是有益的。潛在合作伙伴的例子包括其他半導(dǎo)體設(shè)備制造商、電子設(shè)計(jì)自動(dòng)化公司、超大規(guī)模云供應(yīng)商或設(shè)備OEM。

2、人才戰(zhàn)略

大多數(shù)成功實(shí)現(xiàn)AI/ML的公司都創(chuàng)建了一個(gè)集中的組織，如卓越中心(COE)專(zhuān)注于此類(lèi)活動(dòng)。該組織為所需的新人才提供了清晰的家園，并負(fù)責(zé)定義通用標(biāo)準(zhǔn)并建立最佳實(shí)踐和知識(shí)的中央存儲(chǔ)庫(kù)。一些突出的半導(dǎo)體公司已經(jīng)對(duì)AI / ML COE進(jìn)行了大量投資，其中包括數(shù)百名工程師。

在為中央團(tuán)隊(duì)雇用技術(shù)人員時(shí)，半導(dǎo)體公司應(yīng)仔細(xì)權(quán)衡角色組成，以確保其具有從試點(diǎn)到全面擴(kuò)展用例的正確能力。例如，試行AI / ML用例需要數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師，但是需要ML工程師，基礎(chǔ)架構(gòu)設(shè)計(jì)師或全棧開(kāi)發(fā)人員來(lái)推動(dòng)擴(kuò)展。通常，半導(dǎo)體公司沒(méi)有擁有這些資質(zhì)的員工，必須從外部招聘他們。

集中式AI / ML功能無(wú)法與將部署用例的業(yè)務(wù)和功能隔離開(kāi)來(lái)。為了建立聯(lián)系，具有業(yè)務(wù)/運(yùn)營(yíng)領(lǐng)域?qū)ｉL(zhǎng)的人員，如研發(fā)設(shè)計(jì)師、流程工程師和設(shè)備工程師，應(yīng)該包括在AI/ML功能中。這些團(tuán)隊(duì)成員在識(shí)別AI/ML用例中扮演關(guān)鍵角色，并在組織內(nèi)充當(dāng)AI/ML解決方案的大使。

同樣，成功的公司將確保本地站點(diǎn)(無(wú)論是工廠還是職能部門(mén))為他們的AI/ML團(tuán)隊(duì)增加數(shù)據(jù)科學(xué)專(zhuān)業(yè)知識(shí)。受訓(xùn)成為「數(shù)據(jù)公民」的員工可以與AI/ML COE的專(zhuān)家角色共同工作，以領(lǐng)導(dǎo)用例選擇并支持跨功能團(tuán)隊(duì)中的實(shí)現(xiàn)。

3、敏捷交付

為了避免AI/ML案例因?yàn)槭褂没蛞?guī)模有限而陷入「概念驗(yàn)證」的螺旋陷阱，團(tuán)隊(duì)?wèi)?yīng)該專(zhuān)注實(shí)現(xiàn)業(yè)務(wù)價(jià)值，并著重于迭代改進(jìn)。

敏捷方法是軟件開(kāi)發(fā)的核心，它可以幫助半導(dǎo)體公司實(shí)現(xiàn)這一目標(biāo)。盡管AI/ML開(kāi)發(fā)涉及到大量發(fā)現(xiàn)和探索，半導(dǎo)體公司也應(yīng)該從使用者那里得到持續(xù)反饋。許多敏捷團(tuán)隊(duì)都通過(guò)利用「垂直分片」方法獲得了成功，該方法包括在第一個(gè)或第二個(gè)sprint中創(chuàng)建一個(gè)端到端分析管道，包括數(shù)據(jù)吸收、建模、建議開(kāi)發(fā)和部署到用戶(通常是企業(yè)所有者或在工廠工作的工程師)。這種垂直分割的方法可能與許多既定的做法相反，因?yàn)榘雽?dǎo)體公司通常只有在完全確定這種轉(zhuǎn)變將帶來(lái)完美結(jié)果的情況下，才會(huì)在制造工程方面做出改變。

從運(yùn)營(yíng)的角度來(lái)看，敏捷團(tuán)隊(duì)是有益的，因?yàn)樗麄儨p少了對(duì)團(tuán)隊(duì)外部人員的依賴(lài)。通常，很難避免這種依賴(lài)關(guān)系，因?yàn)閿?shù)據(jù)所有者、AI/ML專(zhuān)家和IT基礎(chǔ)設(shè)施之間通常存在組織劃分。但是，敏捷AI/ML團(tuán)隊(duì)是跨界的，并且包含了用例所需的所有專(zhuān)業(yè)知識(shí)，即使一些成員只包含在有限數(shù)量的sprint中。敏捷團(tuán)隊(duì)還可以利用自助服務(wù)資源，比如訪問(wèn)數(shù)據(jù)和基礎(chǔ)設(shè)施。

向敏捷AI/ML交付的轉(zhuǎn)變應(yīng)該盡快發(fā)生，如果高層領(lǐng)導(dǎo)給予支持，公司試圖改變思維方式和流程，那么，這種轉(zhuǎn)變將更有可能獲得牽引。

4、技術(shù)

在晶廠內(nèi)部，成功的公司會(huì)建立一個(gè)連接層，用于實(shí)時(shí)訪問(wèn)相關(guān)數(shù)據(jù)源，包括生產(chǎn)和測(cè)量工具、輔助設(shè)備、設(shè)施等。工具OEM可以幫助確保這種連接性，這對(duì)于制造用例是特別重要的。

半導(dǎo)體公司也需要一個(gè)通用的數(shù)據(jù)集成層。在開(kāi)發(fā)環(huán)境中部署分析引擎和用例之前，這一層首先結(jié)合數(shù)據(jù)。為了獲得最好的結(jié)果，半導(dǎo)體公司必須找到方法，將來(lái)自不同工具供應(yīng)商的數(shù)據(jù)和用例結(jié)合起來(lái)，以限制復(fù)雜性，并防止多個(gè)物聯(lián)網(wǎng)堆在平行的豎井中。

成功的公司將利用edge和云計(jì)算來(lái)支持他們的AI/ML用例。由于一些工具會(huì)生成大量數(shù)據(jù)，因此實(shí)時(shí)應(yīng)用程序通常需要邊緣計(jì)算能力(在工具內(nèi)或接近工具的地方部署AI/ML用例)。云解決方案提供了規(guī)模經(jīng)濟(jì)，并使不同工廠之間的鏈接成為可能，增加了用例的培訓(xùn)數(shù)據(jù)池。(半導(dǎo)體公司歷來(lái)都對(duì)數(shù)據(jù)安全持謹(jǐn)慎態(tài)度，因此它們可能會(huì)限制將敏感數(shù)據(jù)部署到本地解決方案中。)

5、數(shù)據(jù)

半導(dǎo)體公司在每個(gè)晶圓廠都有幾百種工具，其中一些會(huì)產(chǎn)生數(shù)兆兆字節(jié)的數(shù)據(jù)，要檢查每一條信息是不可能的。為了確保最大的有效性和效率，參與者必須對(duì)可能支持多個(gè)用例的數(shù)據(jù)進(jìn)行優(yōu)先級(jí)排序，因?yàn)檫@將比單個(gè)計(jì)劃有更大的影響。

即使玩家限制所分析的信息數(shù)量，他們的AI/ML計(jì)劃仍然需要大量的時(shí)間和資源，例如AI/ML團(tuán)隊(duì)中有足夠數(shù)量的數(shù)據(jù)工程師。需要嚴(yán)格的數(shù)據(jù)治理策略，以確?，F(xiàn)有數(shù)據(jù)和新生成的數(shù)據(jù)立即可用，始終保持高質(zhì)量和值得信賴(lài)。成功的公司通常有一個(gè)專(zhuān)門(mén)的數(shù)據(jù)治理團(tuán)隊(duì)，以確保數(shù)據(jù)一致性以及新數(shù)據(jù)和現(xiàn)有數(shù)據(jù)的質(zhì)量。

6、采用和擴(kuò)展

從設(shè)計(jì)階段開(kāi)始，半導(dǎo)體公司應(yīng)嚴(yán)格關(guān)注優(yōu)先使用案例的可擴(kuò)展性。必須盡早包括來(lái)自多個(gè)站點(diǎn)或工廠的專(zhuān)家，以確保以后可以在各個(gè)位置部署用例。

一些半導(dǎo)體公司正在晶圓廠領(lǐng)域內(nèi)設(shè)立焦點(diǎn)小組，以計(jì)劃擴(kuò)大規(guī)模。對(duì)于特定領(lǐng)域，他們選擇一個(gè)晶圓廠作為主要站點(diǎn)，然后確定用例，從其他晶圓廠收集需求，創(chuàng)建實(shí)施計(jì)劃，并確保知識(shí)轉(zhuǎn)移。如前所述，半導(dǎo)體公司將需要在全面擴(kuò)展后根據(jù)其用例的價(jià)值來(lái)優(yōu)先考慮部署用例。

其次，半導(dǎo)體公司在開(kāi)發(fā)和擴(kuò)展用例時(shí)應(yīng)確保整個(gè)組織遵循標(biāo)準(zhǔn)和最知名的方法（BKM）。在整個(gè)組織中規(guī)范和強(qiáng)制使用BKMs可以確保解決方案的持續(xù)和改進(jìn)，允許機(jī)器學(xué)習(xí)在站點(diǎn)間獲得最大的規(guī)模。通常，中央AI/ML團(tuán)隊(duì)負(fù)責(zé)監(jiān)督這項(xiàng)關(guān)鍵任務(wù)。

最后，半導(dǎo)體公司必須將用例無(wú)縫集成到最終用戶的數(shù)字化工作流程中，以確保采用。許多公司都忽略了這一步驟，但是這種疏忽會(huì)帶來(lái)嚴(yán)重的后果。在我們的調(diào)查中，近一半的半導(dǎo)體設(shè)備制造商表示，缺乏集成是擴(kuò)展AI / ML用例的第二大問(wèn)題。如果組織在AI/ML功能和業(yè)務(wù)端之間形成緊密的聯(lián)系，那么，在最初設(shè)計(jì)用例時(shí)就會(huì)更容易從用戶的角度考慮問(wèn)題。

本文為專(zhuān)欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個(gè)人觀點(diǎn)，不代表創(chuàng)業(yè)邦立場(chǎng)，轉(zhuǎn)載請(qǐng)聯(lián)系原作者。如有任何疑問(wèn)，請(qǐng)聯(lián)系editor@cyzone.cn。