Aplikace umělé inteligence ve výrobní lince, zdánlivě snadná, ale obtížná

AI - Ảnh 1. — Odborníci aplikují umělou inteligenci ve vývoji polovodičových čipů - Foto: UMICH

Toto bylo prominentní téma workshopu „Řešení umělé inteligence (AI) v polovodičovém průmyslu“, který uspořádalo Inovační centrum Ministerstva vědy a technologií Ho Či Minova Města odpoledne 5. srpna.

Odborníci se zaměřili na nalezení praktických implementačních možností v produkčním prostředí, což je dnes považováno za největší překážku.

Expert Duong Quang Huy - inženýr ze společnosti Ascendas Systems - uvedl, že v moderních výrobních linkách, zejména v linkách na výrobu polovodičů, jsou pro detekci chyb ve výrobě nutné modely umělé inteligence.

Například inženýři mohou používat nástroje jako Deep Network Designer k vytváření, vizualizaci a jemnému doladění neuronových sítí nebo Classification Learner k testování různých algoritmů a výběru modelu, který nejlépe odpovídá reálným datovým sadám.

Podle pana Huye spočívá problém v tom, zda si model při přenosu z tréninkového prostředí do skutečné výrobní linky dokáže zachovat stejnou přesnost jako v laboratoři.

Protože algoritmy mohou dosáhnout 99% přesnosti v simulovaném prostředí, ale přehlédnou skutečné vady produktu na montážní lince z jednoduchých důvodů, jako jsou odlesky, prach nebo mírné natočení součástky.

„Výzva při vývoji umělé inteligence nespočívá v algoritmech, ale v přechodu z laboratoře do reality,“ potvrdil pan Huy.

AI - Ảnh 2. — Expert Duong Quang Huy na workshopu - Foto: TRONG NHAN

Podle odborníků je jedním ze základních a rozhodujících řešení standardizace vstupních dat a vytváření přesných trénovacích datových sad.

Protože většina chyb v nasazení modelu pochází z nekonzistentních vstupních dat, jako jsou obrázky, které jsou přeexponované, zkreslené, rozostřené, mají jiné světelné podmínky než trénovací prostředí nebo mají mírně posunuté komponenty.

Aby se tento problém vyřešil, expert Duong Quang Huy doporučuje standardizaci obrazových dat před tréninkem, včetně kroků, jako je vyvážení světla, úprava úhlů, zvýšení kontrastu a odstranění šumu.

Zároveň přesné označování pomocí nástrojů nebo kombinace manuálního a automatického označování pomáhá modelu zjistit skutečné charakteristiky vady, místo aby byl rušen irelevantními rysy.

Na akci také expert Tran Kim Duy Lan – ředitel společnosti Navagis pro tuto zemi – poukázal na další paradox ve vývoji umělé inteligence. Na jedné straně může umělá inteligence pomoci zkrátit dobu návrhu čipů o 30 % a zvýšit produktivitu továren až o 25 %. Na druhou stranu se očekává, že datová centra provozující umělou inteligenci budou do roku 2030 spotřebovávat až 21 % celosvětové elektřiny.

V této souvislosti pan Lan zdůraznil důležitost přechodu od centralizovaných modelů umělé inteligence k distribuovaným modelům na zařízení, konkrétně k Edge AI a AI na zařízení. To je považováno za strategický trend pro zajištění udržitelnosti.

Díky Edge AI jsou data zpracovávána přímo v zařízení, jako je chytrá kamera, mikrokontrolér nebo vestavěná deska, místo aby byla kompletně přenášena do cloudu. To může snížit šířku pásma přenosu, a zároveň snížit latenci, zvýšit soukromí a co je nejdůležitější, snížit spotřebu energie na úlohu 100–1 000krát díky eliminaci mezikroku zpracování.

Globální trh s umělou inteligencí dosáhl 1 811 miliard USD

Na konferenci experti také aktualizovali nejnovější zprávy o vývoji umělé inteligence, přičemž se očekává, že globální trh do roku 2030 dosáhne 1 811 miliard USD. Průmysl polovodičů si zároveň klade za cíl dosáhnout 1 000 miliard USD.

V současné době se kombinace umělé inteligence a polovodičů považuje za „dvojitý impuls“ pro novou průmyslovou revoluci, zejména v době, kdy trendy proaktivní umělé inteligence, multimodální umělé inteligence a generativní a udržitelné umělé inteligence mění potřeby návrhu, optimalizace a testování čipů.

HMOTNOST

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