उत्पादन लाइन में एआई का प्रयोग आसान प्रतीत होता है, लेकिन कठिन है

विशेषज्ञों के अनुसार, आज सेमीकंडक्टर उद्योग के लिए एआई विकसित करने में सबसे बड़ी चुनौती यह है कि मॉडल को उत्पादन लाइन पर सटीक और स्थिर रूप से कैसे संचालित किया जाए।

विशेषज्ञ सेमीकंडक्टर चिप विकास में एआई का उपयोग कर रहे हैं - फोटो: UMICH

5 अगस्त की दोपहर को हो ची मिन्ह सिटी के विज्ञान और प्रौद्योगिकी विभाग के इनोवेशन सेंटर द्वारा आयोजित कार्यशाला "सेमीकंडक्टर उद्योग में कृत्रिम बुद्धिमत्ता (एआई) समाधान" में यह एक प्रमुख विषय था।

विशेषज्ञों ने उत्पादन वातावरण में व्यावहारिक कार्यान्वयन क्षमताओं को खोजने पर ध्यान केंद्रित किया है, जिसे आज सबसे बड़ी बाधा माना जाता है।

एस्केन्डास सिस्टम्स के इंजीनियर विशेषज्ञ डुओंग क्वांग हुई ने कहा कि आधुनिक उत्पादन लाइनों, विशेष रूप से सेमीकंडक्टर उत्पादन लाइनों में, उत्पादन में त्रुटियों का पता लगाने के लिए एआई मॉडल की आवश्यकता होती है।

उदाहरण के लिए, इंजीनियर डीप नेटवर्क डिज़ाइनर जैसे उपकरणों का उपयोग कर न्यूरल नेटवर्क का निर्माण, दृश्यांकन और उसे परिष्कृत कर सकते हैं, या क्लासिफिकेशन लर्नर जैसे उपकरणों का उपयोग कर विभिन्न एल्गोरिदम का परीक्षण कर सकते हैं और वास्तविक दुनिया के डेटासेट के लिए सबसे उपयुक्त मॉडल का चयन कर सकते हैं।

श्री ह्यू के अनुसार, कठिनाई इस बात में है कि क्या प्रशिक्षण वातावरण से वास्तविक उत्पादन लाइन में मॉडल स्थानांतरित करते समय भी मॉडल प्रयोगशाला में समान सटीकता बनाए रख सकता है।

क्योंकि एल्गोरिदम एक नकली वातावरण में 99% सटीकता प्राप्त कर सकते हैं, लेकिन असेंबली लाइन पर चमक, धूल या किसी घटक के थोड़ा घूमने जैसे सरल कारणों से वास्तविक उत्पाद दोषों को नहीं पकड़ पाते हैं।

श्री ह्यू ने कहा, "एआई को विकसित करने में चुनौती एल्गोरिदम में नहीं है, बल्कि प्रयोगशाला से वास्तविकता तक जाने में है।"

विशेषज्ञ डुओंग क्वांग ह्यू ने कार्यशाला में प्रस्तुति दी - फोटो: TRONG NHAN

विशेषज्ञों के अनुसार, मौलिक और निर्णायक समाधानों में से एक है इनपुट डेटा को मानकीकृत करना और सटीक प्रशिक्षण डेटा सेट बनाना।

क्योंकि मॉडल परिनियोजन में अधिकांश त्रुटियाँ असंगत इनपुट डेटा से आती हैं, जैसे कि ओवरएक्सपोज़्ड, विकृत, फोकस से बाहर की छवियां, प्रशिक्षण वातावरण की तुलना में अलग प्रकाश की स्थिति वाली, या ऐसे घटक जो थोड़े विस्थापित हों।

इस समस्या को हल करने के लिए, विशेषज्ञ डुओंग क्वांग हुई ने प्रशिक्षण से पहले छवि डेटा को मानकीकृत करने की सिफारिश की है, जिसमें प्रकाश को संतुलित करना, कोण समायोजित करना, कंट्रास्ट बढ़ाना और शोर को हटाना जैसे कदम शामिल हैं।

साथ ही, उपकरणों का उपयोग करके सटीक लेबलिंग या मैन्युअल और स्वचालित लेबलिंग के संयोजन से मॉडल को अप्रासंगिक विशेषताओं से परेशान होने के बजाय दोष की वास्तविक विशेषताओं को जानने में मदद मिलती है।

इस कार्यक्रम में, विशेषज्ञ ट्रान किम दुय लैन, जो नवागिस के कंट्री डायरेक्टर हैं, ने एआई विकास में एक और विरोधाभास की ओर इशारा किया। एक ओर, एआई चिप डिज़ाइन के समय को 30% तक कम करने और फ़ैक्टरी उत्पादकता को 25% तक बढ़ाने में मदद कर सकता है। दूसरी ओर, एआई संचालित डेटा केंद्रों द्वारा 2030 तक वैश्विक बिजली का 21% तक उपभोग करने की उम्मीद है।

इस संदर्भ में, श्री लैन ने केंद्रीकृत एआई मॉडल से डिवाइस पर वितरित मॉडल, विशेष रूप से एज एआई और ऑन-डिवाइस एआई, की ओर बदलाव के महत्व पर ज़ोर दिया। इसे स्थिरता सुनिश्चित करने के लिए एक रणनीतिक प्रवृत्ति माना जा रहा है।

एज एआई के साथ, डेटा को पूरी तरह से क्लाउड पर भेजने के बजाय, स्मार्ट कैमरा, माइक्रोकंट्रोलर या एम्बेडेड बोर्ड जैसे डिवाइस पर ही प्रोसेस किया जाता है। इससे ट्रांसमिशन बैंडविड्थ कम हो सकती है, साथ ही विलंबता भी कम हो सकती है, गोपनीयता बढ़ सकती है, और सबसे महत्वपूर्ण बात यह है कि मध्यवर्ती प्रोसेसिंग चरण को हटाकर, प्रति कार्य बिजली की खपत 100-1,000 गुना कम हो सकती है।

वैश्विक एआई बाजार का आकार 1,811 बिलियन अमेरिकी डॉलर तक पहुंच गया

सम्मेलन में, विशेषज्ञों ने एआई के विकास पर नवीनतम रिपोर्ट भी अपडेट की, जिसके अनुसार वैश्विक बाजार का आकार 2030 तक 1,811 बिलियन अमरीकी डॉलर तक पहुंचने की उम्मीद है। इस बीच, सेमीकंडक्टर उद्योग का लक्ष्य उसी समय 1,000 बिलियन अमरीकी डॉलर तक पहुंचना है।

वर्तमान में, एआई और अर्धचालकों के संयोजन को नई औद्योगिक क्रांति के लिए "दोहरा धक्का" देने वाला माना जा रहा है, खासकर जब सक्रिय एआई, मल्टी-मॉडल एआई और जनरेटिव और टिकाऊ एआई के रुझान चिप डिजाइन, अनुकूलन और परीक्षण की जरूरतों को नया रूप दे रहे हैं।

वज़न

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