การนำ AI มาประยุกต์ใช้ในสายการผลิต ดูเหมือนง่ายแต่ยาก

ตามที่ผู้เชี่ยวชาญกล่าวไว้ ความท้าทายที่ใหญ่ที่สุดในการพัฒนา AI สำหรับอุตสาหกรรมเซมิคอนดักเตอร์ในปัจจุบันคือการทำให้โมเดลทำงานได้อย่างแม่นยำและเสถียรบนสายการผลิต

ผู้เชี่ยวชาญนำ AI มาใช้ในการพัฒนาชิปเซมิคอนดักเตอร์ - ภาพ: UMICH

นี่เป็นหัวข้อที่โดดเด่นในการประชุมเชิงปฏิบัติการเรื่อง "โซลูชันปัญญาประดิษฐ์ (AI) ในอุตสาหกรรมเซมิคอนดักเตอร์" ซึ่งจัดโดยศูนย์นวัตกรรม กรม วิทยาศาสตร์ และเทคโนโลยีนครโฮจิมินห์ ในช่วงบ่ายของวันที่ 5 สิงหาคม

ผู้เชี่ยวชาญมุ่งเน้นไปที่การค้นหาความสามารถในการนำไปใช้จริงในสภาพแวดล้อมการผลิต ซึ่งถือเป็นอุปสรรคที่ใหญ่ที่สุดในปัจจุบัน

ผู้เชี่ยวชาญ Duong Quang Huy วิศวกรจาก Ascendas Systems กล่าวว่าในสายการผลิตสมัยใหม่ โดยเฉพาะสายการผลิตเซมิคอนดักเตอร์ จำเป็นต้องใช้โมเดล AI เพื่อตรวจจับข้อผิดพลาดในการผลิต

ตัวอย่างเช่น วิศวกรสามารถใช้เครื่องมือ เช่น Deep Network Designer เพื่อสร้าง แสดงภาพ และปรับแต่งเครือข่ายประสาท หรือ Classification Learner เพื่อทดสอบอัลกอริทึมต่างๆ และเลือกโมเดลที่เหมาะสมที่สุดกับชุดข้อมูลในโลกแห่งความเป็นจริง

ตามคำกล่าวของนายฮุย ปัญหาอยู่ที่ว่าโมเดลดังกล่าวสามารถรักษาความแม่นยำได้เท่ากับที่อยู่ในห้องแล็ปหรือไม่ เมื่อถ่ายโอนโมเดลจากสภาพแวดล้อมการฝึกอบรมไปยังสายการผลิตจริง

เนื่องจากอัลกอริทึมสามารถบรรลุความแม่นยำ 99% ในสภาพแวดล้อมจำลอง แต่พลาดข้อบกพร่องของผลิตภัณฑ์จริงบนสายการประกอบด้วยเหตุผลง่ายๆ เช่น แสงสะท้อน ฝุ่น หรือส่วนประกอบถูกหมุนเล็กน้อย

“ความท้าทายในการพัฒนา AI ไม่ได้อยู่ที่อัลกอริทึม แต่อยู่ที่การย้ายจากห้องทดลองมาสู่ความเป็นจริง” นายฮุยยืนยัน

ผู้เชี่ยวชาญ Duong Quang Huy นำเสนอในเวิร์กช็อป - รูปภาพ: TRONG NHAN

ตามที่ผู้เชี่ยวชาญกล่าวไว้ หนึ่งในวิธีแก้ปัญหาที่สำคัญและเด็ดขาดคือการทำให้ข้อมูลอินพุตเป็นมาตรฐานและสร้างชุดข้อมูลการฝึกอบรมที่แม่นยำ

เนื่องจากข้อผิดพลาดส่วนใหญ่ในการปรับใช้โมเดลเกิดจากข้อมูลอินพุตที่ไม่สอดคล้องกัน เช่น รูปภาพที่ได้รับแสงมากเกินไป ผิดเพี้ยน ไม่โฟกัส มีสภาพแสงที่แตกต่างจากสภาพแวดล้อมในการฝึก หรือมีส่วนประกอบที่เคลื่อนตัวเล็กน้อย

เพื่อแก้ไขปัญหานี้ ผู้เชี่ยวชาญ Duong Quang Huy แนะนำให้กำหนดมาตรฐานข้อมูลภาพก่อนการฝึกอบรม รวมถึงขั้นตอนต่างๆ เช่น การปรับสมดุลแสง การปรับมุม การเพิ่มความคมชัด และการลบสัญญาณรบกวน

ในเวลาเดียวกัน การติดฉลากอย่างแม่นยำโดยใช้เครื่องมือหรือการติดฉลากแบบแมนนวลและอัตโนมัติร่วมกัน ช่วยให้แบบจำลองเรียนรู้ลักษณะที่แท้จริงของข้อบกพร่อง แทนที่จะถูกรบกวนจากคุณลักษณะที่ไม่เกี่ยวข้อง

นอกจากนี้ ภายในงาน ผู้เชี่ยวชาญ Tran Kim Duy Lan ผู้อำนวยการประจำประเทศของ Navagis ได้ชี้ให้เห็นถึงความขัดแย้งอีกประการหนึ่งในการพัฒนา AI ในแง่หนึ่ง AI สามารถช่วยลดเวลาในการออกแบบชิปลง 30% และเพิ่มผลผลิตของโรงงานได้มากถึง 25% ในทางกลับกัน คาดว่าศูนย์ข้อมูลที่ใช้ AI จะใช้พลังงานไฟฟ้าทั่วโลกสูงถึง 21% ภายในปี 2030

ในบริบทดังกล่าว คุณ Lan ได้เน้นย้ำถึงความสำคัญของการเปลี่ยนจากโมเดล AI แบบรวมศูนย์ไปสู่โมเดลแบบกระจายที่อุปกรณ์ โดยเฉพาะอย่างยิ่ง Edge AI และ on-device AI ซึ่งถือเป็นแนวโน้มเชิงกลยุทธ์เพื่อสร้างความยั่งยืน

Edge AI ช่วยให้ประมวลผลข้อมูลได้โดยตรงบนอุปกรณ์ เช่น กล้องอัจฉริยะ ไมโครคอนโทรลเลอร์ หรือบอร์ดฝังตัว แทนที่จะส่งไปยังคลาวด์ทั้งหมด วิธีนี้ช่วยลดแบนด์วิดท์ในการส่งข้อมูล ลดความหน่วง เพิ่มความเป็นส่วนตัว และที่สำคัญที่สุดคือ ลดการใช้พลังงานต่องานลง 100-1,000 เท่า ด้วยการลดขั้นตอนการประมวลผลกลาง

ขนาดตลาด AI ทั่วโลกสูงถึง 1,811 พันล้านเหรียญสหรัฐ

ในงานประชุมนี้ ผู้เชี่ยวชาญยังได้อัปเดตรายงานล่าสุดเกี่ยวกับการพัฒนา AI โดยคาดว่าขนาดตลาดโลกจะสูงถึง 1,811 พันล้านเหรียญสหรัฐภายในปี 2030 ขณะเดียวกัน อุตสาหกรรมเซมิคอนดักเตอร์ก็ตั้งเป้าที่จะสูงถึง 1,000 พันล้านเหรียญสหรัฐในเวลาเดียวกัน

ในปัจจุบัน การผสมผสานระหว่าง AI และเซมิคอนดักเตอร์ถือเป็นการสร้าง "แรงผลักดันสองเท่า" ให้กับการปฏิวัติอุตสาหกรรมครั้งใหม่ โดยเฉพาะอย่างยิ่งเมื่อแนวโน้มของ AI เชิงรุก AI หลายโหมด และ AI เชิงสร้างสรรค์และยั่งยืน กำลังปรับเปลี่ยนความต้องการด้านการออกแบบชิป การเพิ่มประสิทธิภาพ และการทดสอบ

น้ำหนัก

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