Bruk av kunstig intelligens i produksjonslinjer, tilsynelatende enkelt, men vanskelig

AI - Ảnh 1. — Eksperter bruker kunstig intelligens i utvikling av halvlederbrikker - Foto: UMICH

Dette var et fremtredende tema på workshopen «Løsninger for kunstig intelligens (KI) i halvlederindustrien» arrangert av Innovasjonssenteret ved Institutt for vitenskap og teknologi i Ho Chi Minh-byen ettermiddagen 5. august.

Eksperter har fokusert på å finne praktiske implementeringsmuligheter i produksjonsmiljøer, noe som regnes som den største barrieren i dag.

Ekspert Duong Quang Huy – ingeniør fra Ascendas Systems – sa at i moderne produksjonslinjer, spesielt produksjonslinjer for halvledere, kreves det AI-modeller for å oppdage feil i produksjonen.

For eksempel kan ingeniører bruke verktøy som Deep Network Designer til å bygge, visualisere og finjustere nevrale nettverk, eller Classification Learner til å eksperimentere med forskjellige algoritmer og velge modellen som passer best til datasett i den virkelige verden.

Ifølge Huy ligger vanskeligheten i om modellen fortsatt kan opprettholde samme nøyaktighet som i laboratoriet når den overføres fra treningsmiljøet til en reell produksjonslinje.

Fordi algoritmer kan oppnå 99 % nøyaktighet i et simulert miljø, men overser reelle produktfeil på samlebåndet av enkle årsaker, som gjenskinn, støv eller en komponent som er litt rotert.

«Utfordringen med å utvikle AI ligger ikke i algoritmen, men fra laboratoriet til virkeligheten», bekreftet Huy.

AI - Ảnh 2. — Ekspert Duong Quang Huy presenterer på workshopen - Foto: TRONG NHAN

Ifølge eksperter er en av de grunnleggende og avgjørende løsningene å standardisere inndata og bygge nøyaktige treningsdatasett.

Fordi de fleste feilene i modelldistribusjonen kommer fra inkonsistente inndata, for eksempel overeksponerte, forvrengte eller ute av fokus-bilder, lysforhold som er forskjellige fra treningsmiljøet, eller litt forskjøvede komponenter.

For å løse dette problemet anbefaler ekspert Duong Quang Huy å standardisere bildedata før trening, inkludert trinn som å balansere lys, justere vinkler, forbedre kontrast og fjerne støy.

Samtidig hjelper nøyaktig merking ved hjelp av verktøy eller en kombinasjon av manuell og automatisk merking modellen med å lære de sanne egenskapene til feilen, i stedet for å bli forstyrret av irrelevante funksjoner.

Ekspert Tran Kim Duy Lan – landsdirektør i Navagis – pekte også på arrangementet et annet paradoks innen AI-utvikling. På den ene siden kan AI bidra til å redusere designtiden for brikke med 30 % og øke fabrikkproduktiviteten med opptil 25 %. På den annen side forventes det at datasentre som bruker AI vil forbruke opptil 21 % av den globale elektrisiteten innen 2030.

I den sammenhengen understreket Lan viktigheten av å gå fra sentraliserte AI-modeller til distribuerte modeller på enheten, nærmere bestemt Edge AI og AI på enheten. Dette anses som en strategisk trend for å sikre bærekraft.

Med Edge AI behandles data direkte på enheten, for eksempel et smartkamera, en mikrokontroller eller et innebygd kort, i stedet for å bli overført utelukkende til skyen. Dette kan redusere overføringsbåndbredden, samtidig som det reduserer latens, øker personvernet og, viktigst av alt, reduserer strømforbruket per oppgave med 100–1000 ganger, takket være eliminering av mellomliggende behandlingstrinn.

Det globale markedet for kunstig intelligens når 1 811 milliarder dollar

På konferansen oppdaterte ekspertene også de siste rapportene om utviklingen av AI, og det globale markedet forventes å nå 1 811 milliarder dollar innen 2030. Samtidig har halvlederindustrien som mål å nå 1 000 milliarder dollar.

For tiden anses kombinasjonen av AI og halvledere å skape et «dobbelt dytt» for den nye industrielle revolusjonen, spesielt når trendene med aktiv AI, multimodal AI og generativ og bærekraftig AI omformer behovene for chipdesign, optimalisering og testing.

VEKT

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