به کارگیری هوش مصنوعی در خطوط تولید، ظاهراً آسان اما دشوار

AI - Ảnh 1. — متخصصان از هوش مصنوعی در توسعه تراشه‌های نیمه‌هادی استفاده می‌کنند - عکس: UMICH

این موضوع، موضوع برجسته‌ای در کارگاه «راهکارهای هوش مصنوعی (AI) در صنعت نیمه‌هادی» بود که توسط مرکز نوآوری، وزارت علوم و فناوری شهر هوشی مین در بعد از ظهر ۵ آگوست برگزار شد.

متخصصان بر یافتن قابلیت‌های پیاده‌سازی عملی در محیط‌های تولیدی تمرکز کرده‌اند، که امروزه بزرگترین مانع محسوب می‌شود.

دونگ کوانگ هوی، مهندس شرکت Ascendas Systems، گفت که در خطوط تولید مدرن، به ویژه خطوط تولید نیمه‌هادی‌ها، برای تشخیص خطاها در تولید، به مدل‌های هوش مصنوعی نیاز است.

برای مثال، مهندسان می‌توانند از ابزارهایی مانند Deep Network Designer برای ساخت، تجسم و تنظیم دقیق شبکه‌های عصبی یا از Classification Learner برای آزمایش الگوریتم‌های مختلف و انتخاب مدلی که به بهترین وجه با مجموعه داده‌های دنیای واقعی مطابقت دارد، استفاده کنند.

به گفته آقای هوی، مشکل در این است که آیا مدل می‌تواند هنگام انتقال مدل از محیط آموزشی به خط تولید واقعی، همچنان همان دقت آزمایشگاه را حفظ کند یا خیر.

زیرا الگوریتم‌ها می‌توانند در یک محیط شبیه‌سازی شده به دقت ۹۹٪ دست یابند، اما به دلایل ساده‌ای مانند تابش خیره‌کننده، گرد و غبار یا چرخش جزئی یک قطعه، نقص‌های محصول واقعی را در خط مونتاژ از دست می‌دهند.

آقای هوی تأیید کرد: «چالش در توسعه هوش مصنوعی در الگوریتم نهفته نیست، بلکه از آزمایشگاه تا واقعیت است.»

AI - Ảnh 2. — کارشناس Duong Quang Huy در کارگاه ارائه می دهد - عکس: TRONG NHAN

به گفته کارشناسان، یکی از راهکارهای اساسی و تعیین‌کننده، استانداردسازی داده‌های ورودی و ساخت مجموعه داده‌های آموزشی دقیق است.

زیرا بیشتر خطاها در استقرار مدل از داده‌های ورودی ناسازگار، مانند تصاویر با نوردهی بیش از حد، اعوجاج یا خارج از فوکوس، شرایط نوری متفاوت از محیط آموزش یا اجزای کمی جابجا شده ناشی می‌شوند.

برای حل این مشکل، متخصص دونگ کوانگ هوی توصیه می‌کند که قبل از آموزش، داده‌های تصویر را استانداردسازی کنید، از جمله مراحلی مانند متعادل کردن نور، تنظیم زاویه‌ها، افزایش کنتراست و حذف نویز.

در عین حال، برچسب‌گذاری دقیق با استفاده از ابزارها یا ترکیبی از برچسب‌گذاری دستی و خودکار به مدل کمک می‌کند تا ویژگی‌های واقعی خطا را یاد بگیرد، به جای اینکه توسط ویژگی‌های نامربوط مختل شود.

همچنین در این رویداد، متخصص تران کیم دوی لان - مدیر کشوری ناواگیس - به تناقض دیگری در توسعه هوش مصنوعی اشاره کرد. از یک سو، هوش مصنوعی می‌تواند به کاهش زمان طراحی تراشه تا 30 درصد و افزایش بهره‌وری کارخانه تا 25 درصد کمک کند. از سوی دیگر، انتظار می‌رود مراکز داده‌ای که از هوش مصنوعی استفاده می‌کنند تا سال 2030 تا 21 درصد از برق جهانی را مصرف کنند.

در همین زمینه، آقای لان بر اهمیت تغییر از مدل‌های هوش مصنوعی متمرکز به مدل‌های توزیع‌شده در دستگاه، به‌ویژه هوش مصنوعی لبه‌ای و هوش مصنوعی درون دستگاهی، تأکید کرد. این یک روند استراتژیک برای تضمین پایداری محسوب می‌شود.

با هوش مصنوعی لبه‌ای (Edge AI)، داده‌ها مستقیماً روی دستگاه، مانند دوربین هوشمند، میکروکنترلر یا برد تعبیه‌شده، پردازش می‌شوند، به جای اینکه کاملاً به فضای ابری منتقل شوند. این امر می‌تواند پهنای باند انتقال را کاهش دهد، ضمن اینکه تأخیر را نیز کاهش می‌دهد، حریم خصوصی را افزایش می‌دهد و از همه مهم‌تر، به لطف حذف مراحل پردازش میانی، مصرف برق در هر کار را ۱۰۰ تا ۱۰۰۰ برابر کاهش می‌دهد.

حجم بازار جهانی هوش مصنوعی به ۱۸۱۱ میلیارد دلار رسید

در این کنفرانس، کارشناسان همچنین آخرین گزارش‌ها در مورد توسعه هوش مصنوعی را به‌روزرسانی کردند و پیش‌بینی کردند که اندازه بازار جهانی تا سال ۲۰۳۰ به ۱۸۱۱ میلیارد دلار برسد. در همین حال، صنعت نیمه‌هادی نیز قصد دارد همزمان به مرز ۱۰۰۰ میلیارد دلار برسد.

در حال حاضر، ترکیب هوش مصنوعی و نیمه‌رساناها به عنوان یک «فشار مضاعف» برای انقلاب صنعتی جدید در نظر گرفته می‌شود، به خصوص زمانی که روندهای هوش مصنوعی فعال، هوش مصنوعی چندوجهی و هوش مصنوعی مولد و پایدار، نیازهای طراحی، بهینه‌سازی و آزمایش تراشه را تغییر می‌دهند.

وزن

منبع: https://tuoitre.vn/ung-dung-ai-trong-day-chuyen-san-xuat-tuong-de-ma-kho-20250805160542772.htm