Att tillämpa AI i produktionslinjer, till synes enkelt men svårt

AI - Ảnh 1. — Experter tillämpar AI i utveckling av halvledarchip - Foto: UMICH

Detta var ett framträdande ämne i workshopen "Lösningar för artificiell intelligens (AI) inom halvledarindustrin" som anordnades av Innovationscentret, Institutionen för vetenskap och teknik i Ho Chi Minh-staden, på eftermiddagen den 5 augusti.

Experter har fokuserat på att hitta praktiska implementeringsmöjligheter i produktionsmiljöer, vilket anses vara det största hindret idag.

Experten Duong Quang Huy – ingenjör från Ascendas Systems – sa att i moderna produktionslinjer, särskilt halvledarproduktionslinjer, krävs AI-modeller för att upptäcka fel i produktionen.

Till exempel kan ingenjörer använda verktyg som Deep Network Designer för att bygga, visualisera och finjustera neurala nätverk, eller Classification Learner för att experimentera med olika algoritmer och välja den modell som bäst passar verkliga datamängder.

Enligt herr Huy ligger svårigheten i huruvida modellen fortfarande kan bibehålla samma noggrannhet som i labbet när den överförs från träningsmiljön till en verklig produktionslinje.

Eftersom algoritmer kan uppnå 99 % noggrannhet i en simulerad miljö, men missar verkliga produktdefekter på monteringslinjen av enkla skäl, såsom bländning, damm eller att en komponent roterar något.

”Utmaningen med att utveckla AI ligger inte i algoritmen, utan från labbet till verkligheten”, bekräftade Huy.

AI - Ảnh 2. — Experten Duong Quang Huy presenterar på workshopen - Foto: TRONG NHAN

Enligt experter är en av de grundläggande och avgörande lösningarna att standardisera indata och bygga korrekta träningsdataset.

Eftersom de flesta felen i modellimplementeringen kommer från inkonsekventa indata, såsom överexponerade, förvrängda eller oskarpa bilder, ljusförhållanden som skiljer sig från träningsmiljön eller något förskjutna komponenter.

För att lösa detta problem rekommenderar experten Duong Quang Huy att standardisera bilddata före träning, inklusive steg som att balansera ljus, justera vinklar, förbättra kontrasten och ta bort brus.

Samtidigt hjälper noggrann märkning med hjälp av verktyg eller en kombination av manuell och automatisk märkning modellen att lära sig felets verkliga egenskaper, istället för att störas av irrelevanta funktioner.

Även experten Tran Kim Duy Lan – landschef för Navagis – påpekade vid evenemanget en annan paradox inom AI-utveckling. Å ena sidan kan AI bidra till att minska chipdesigntiden med 30 % och öka fabriksproduktiviteten med upp till 25 %. Å andra sidan förväntas datacenter som använder AI förbruka upp till 21 % av den globala elförbrukningen år 2030.

I det sammanhanget betonade Mr. Lan vikten av att övergå från centraliserade AI-modeller till distribuerade modeller på enheten, särskilt Edge AI och AI på enheten. Detta anses vara en strategisk trend för att säkerställa hållbarhet.

Med Edge AI bearbetas data direkt på enheten, till exempel en smart kamera, mikrokontroller eller ett inbyggt kort, istället för att överföras helt till molnet. Detta kan minska överföringsbandbredden, samtidigt som det minskar latensen, ökar integriteten och, viktigast av allt, minskar strömförbrukningen per uppgift med 100–1 000 gånger, tack vare elimineringen av mellanliggande bearbetningssteg.

Den globala AI-marknaden når 1 811 miljarder USD

På konferensen uppdaterade experterna även de senaste rapporterna om utvecklingen av AI, där den globala marknadsstorleken förväntas nå 1 811 miljarder USD år 2030. Samtidigt siktar halvledarindustrin på att nå 1 000 miljarder USD-strecket.

För närvarande anses kombinationen av AI och halvledare skapa en "dubbel knuff" för den nya industriella revolutionen, särskilt när trenderna med aktiv AI, multimodal AI och generativ och hållbar AI omformar behoven för chipdesign, optimering och testning.

VIKT

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