پروڈکشن لائنوں میں AI کا اطلاق کرنا، بظاہر آسان لیکن مشکل

ماہرین کے مطابق، آج سیمی کنڈکٹر انڈسٹری کے لیے AI تیار کرنے میں سب سے بڑا چیلنج یہ ہے کہ ماڈل کو پروڈکشن لائن پر درست اور مستحکم طریقے سے کیسے کام کیا جائے۔

ماہرین سیمی کنڈکٹر چپ کی نشوونما میں AI کا اطلاق کرتے ہیں - تصویر: UMICH

یہ 5 اگست کی سہ پہر کو ہو چی منہ شہر کے شعبہ سائنس اور ٹیکنالوجی کے انوویشن سنٹر کے زیر اہتمام ورکشاپ "آرٹیفیشل انٹیلی جنس (AI) سلوشنز ان دی سیمی کنڈکٹر انڈسٹری" میں ایک نمایاں موضوع تھا۔

ماہرین نے پیداواری ماحول میں عملی نفاذ کی صلاحیتوں کو تلاش کرنے پر توجہ مرکوز کی ہے، جسے آج سب سے بڑی رکاوٹ سمجھا جاتا ہے۔

ماہر Duong Quang Huy - Ascendas Systems کے انجینئر - نے کہا کہ جدید پروڈکشن لائنوں میں، خاص طور پر سیمی کنڈکٹر پروڈکشن لائنوں میں، AI ماڈلز کو پیداوار میں غلطیوں کا پتہ لگانے کی ضرورت ہوتی ہے۔

مثال کے طور پر، انجینئرز ڈیپ نیٹ ورک ڈیزائنر جیسے ٹولز کا استعمال کر سکتے ہیں جیسے کہ نیورل نیٹ ورکس کو بنانے، تصور کرنے، اور ٹھیک ٹیون کرنے کے لیے، یا کلاسیفیکیشن لرنر مختلف الگورتھم کے ساتھ تجربہ کرنے کے لیے اور اس ماڈل کا انتخاب کر سکتے ہیں جو حقیقی دنیا کے ڈیٹا سیٹس کے لیے بہترین ہو۔

مسٹر ہیو کے مطابق، مشکل اس بات میں ہے کہ آیا ماڈل کو تربیتی ماحول سے حقیقی پروڈکشن لائن میں منتقل کرتے وقت ماڈل اب بھی وہی درستگی برقرار رکھ سکتا ہے جیسا کہ لیب میں ہے۔

کیونکہ الگورتھم ایک مصنوعی ماحول میں 99% درستگی حاصل کر سکتے ہیں، لیکن سادہ وجوہات جیسے چکاچوند، دھول، یا جزو کا تھوڑا سا گھمایا جانا اسمبل لائن پر حقیقی پروڈکٹ کے نقائص سے محروم رہتے ہیں۔

"اے آئی کو تیار کرنے میں چیلنج الگورتھم میں نہیں ہے، بلکہ لیب سے حقیقت تک ہے،" مسٹر ہیو نے تصدیق کی۔

ماہر Duong Quang Huy ورکشاپ میں پیش کر رہے ہیں - تصویر: TRONG NHAN

ماہرین کے مطابق، بنیادی اور فیصلہ کن حلوں میں سے ایک ان پٹ ڈیٹا کو معیاری بنانا اور درست تربیتی ڈیٹا سیٹس بنانا ہے۔

کیونکہ ماڈل کی تعیناتی میں زیادہ تر خرابیاں متضاد ان پٹ ڈیٹا سے آتی ہیں، جیسے اوور ایکسپوزڈ، مسخ شدہ، یا فوکس سے باہر تصاویر، روشنی کے حالات تربیتی ماحول سے مختلف، یا قدرے بے گھر اجزاء۔

اس مسئلے کو حل کرنے کے لیے، ماہر Duong Quang Huy تربیت سے پہلے تصویری ڈیٹا کو معیاری بنانے کی سفارش کرتا ہے، جس میں روشنی کو متوازن کرنا، زاویوں کو ایڈجسٹ کرنا، کنٹراسٹ بڑھانا، اور شور کو دور کرنا شامل ہیں۔

ایک ہی وقت میں، ٹولز کا استعمال کرتے ہوئے درست لیبلنگ یا دستی اور خودکار لیبلنگ کے امتزاج سے ماڈل کو غیر متعلقہ خصوصیات سے پریشان ہونے کی بجائے غلطی کی اصل خصوصیات سیکھنے میں مدد ملتی ہے۔

اس تقریب میں، ماہر ٹران کم ڈیو لین - ناواگیس کے کنٹری ڈائریکٹر - نے اے آئی کی ترقی میں ایک اور تضاد کی نشاندہی کی۔ ایک طرف، AI چپ ڈیزائن کے وقت کو 30% تک کم کرنے اور فیکٹری کی پیداواری صلاحیت کو 25% تک بڑھانے میں مدد کر سکتا ہے۔ دوسری طرف، اے آئی کو چلانے والے ڈیٹا سینٹرز سے 2030 تک عالمی بجلی کا 21 فیصد تک استعمال ہونے کی توقع ہے۔

اس تناظر میں، مسٹر لین نے سنٹرلائزڈ AI ماڈلز سے ڈیوائس پر تقسیم شدہ ماڈلز، خاص طور پر Edge AI اور آن ڈیوائس AI میں منتقل ہونے کی اہمیت پر زور دیا۔ پائیداری کو یقینی بنانے کے لیے اسے ایک اسٹریٹجک رجحان سمجھا جاتا ہے۔

Edge AI کے ساتھ، ڈیٹا کو مکمل طور پر کلاؤڈ میں منتقل کرنے کے بجائے، ڈیوائس پر ہی پروسیس کیا جاتا ہے، جیسے کہ سمارٹ کیمرہ، مائیکرو کنٹرولر، یا ایمبیڈڈ بورڈ۔ یہ ٹرانسمیشن بینڈوڈتھ کو کم کر سکتا ہے، جبکہ تاخیر کو کم کر سکتا ہے، پرائیویسی میں اضافہ کر سکتا ہے، اور سب سے اہم بات یہ ہے کہ انٹرمیڈیٹ پروسیسنگ کے اقدامات کے خاتمے کی بدولت فی کام بجلی کی کھپت کو 100-1,000 گنا کم کر سکتا ہے۔

عالمی AI مارکیٹ کا حجم 1,811 بلین امریکی ڈالر تک پہنچ گیا ہے۔

کانفرنس میں، ماہرین نے AI کی ترقی کے بارے میں تازہ ترین رپورٹس کو بھی اپ ڈیٹ کیا، جس میں عالمی مارکیٹ کا حجم 2030 تک 1,811 بلین امریکی ڈالر تک پہنچنے کی توقع ہے۔

فی الحال، AI اور سیمی کنڈکٹرز کے امتزاج کو نئے صنعتی انقلاب کے لیے ایک "ڈبل پش" بنانے کے لیے سمجھا جاتا ہے، خاص طور پر جب فعال AI، ملٹی ماڈل AI اور جنریٹیو اور پائیدار AI کے رجحانات چپ ڈیزائن، اصلاح اور جانچ کی ضروریات کو نئی شکل دے رہے ہیں۔

وزن

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