Η εφαρμογή της Τεχνητής Νοημοσύνης στη γραμμή παραγωγής, φαινομενικά εύκολη αλλά δύσκολη

Σύμφωνα με τους ειδικούς, η μεγαλύτερη πρόκληση στην ανάπτυξη της Τεχνητής Νοημοσύνης για τη βιομηχανία ημιαγωγών σήμερα είναι το πώς να κάνουμε το μοντέλο να λειτουργεί με ακρίβεια και σταθερότητα ακριβώς στη γραμμή παραγωγής.

Οι ειδικοί εφαρμόζουν την Τεχνητή Νοημοσύνη στην ανάπτυξη ημιαγωγικών τσιπ - Φωτογραφία: UMICH

Αυτό ήταν ένα από τα κύρια θέματα στο εργαστήριο με τίτλο «Λύσεις Τεχνητής Νοημοσύνης (AI) στη Βιομηχανία Ημιαγωγών» που διοργάνωσε το Κέντρο Καινοτομίας του Τμήματος Επιστήμης και Τεχνολογίας της πόλης Χο Τσι Μινχ το απόγευμα της 5ης Αυγούστου.

Οι ειδικοί έχουν επικεντρωθεί στην εύρεση πρακτικών δυνατοτήτων εφαρμογής σε περιβάλλοντα παραγωγής, κάτι που θεωρείται το μεγαλύτερο εμπόδιο σήμερα.

Ο ειδικός Duong Quang Huy - μηχανικός της Ascendas Systems - δήλωσε ότι στις σύγχρονες γραμμές παραγωγής, ειδικά στις γραμμές παραγωγής ημιαγωγών, απαιτούνται μοντέλα τεχνητής νοημοσύνης για την ανίχνευση σφαλμάτων στην παραγωγή.

Για παράδειγμα, οι μηχανικοί μπορούν να χρησιμοποιήσουν εργαλεία όπως το Deep Network Designer για να δημιουργήσουν, να οπτικοποιήσουν και να βελτιώσουν νευρωνικά δίκτυα ή το Classification Learner για να δοκιμάσουν διαφορετικούς αλγόριθμους και να επιλέξουν το μοντέλο που ταιριάζει καλύτερα σε πραγματικά σύνολα δεδομένων.

Σύμφωνα με τον κ. Huy, η δυσκολία έγκειται στο κατά πόσον το μοντέλο μπορεί να διατηρήσει την ίδια ακρίβεια όπως στο εργαστήριο κατά τη μεταφορά του από το περιβάλλον εκπαίδευσης σε μια πραγματική γραμμή παραγωγής.

Επειδή οι αλγόριθμοι μπορούν να επιτύχουν ακρίβεια 99% σε ένα προσομοιωμένο περιβάλλον, αλλά να μην εντοπίσουν πραγματικά ελαττώματα προϊόντος στη γραμμή συναρμολόγησης για απλούς λόγους, όπως η αντανάκλαση, η σκόνη ή η ελαφρά περιστροφή ενός εξαρτήματος.

«Η πρόκληση στην ανάπτυξη της Τεχνητής Νοημοσύνης δεν έγκειται στους αλγόριθμους, αλλά στη μετάβαση από το εργαστήριο στην πραγματικότητα», επιβεβαίωσε ο κ. Χούι.

Ο ειδικός Duong Quang Huy παρουσιάστηκε στο εργαστήριο - Φωτογραφία: TRONG NHAN

Σύμφωνα με τους ειδικούς, μία από τις θεμελιώδεις και αποφασιστικές λύσεις είναι η τυποποίηση των δεδομένων εισόδου και η δημιουργία ακριβών συνόλων δεδομένων εκπαίδευσης.

Επειδή τα περισσότερα σφάλματα στην ανάπτυξη του μοντέλου προέρχονται από ασυνεπή δεδομένα εισόδου, όπως εικόνες που είναι υπερεκτεθειμένες, παραμορφωμένες, εκτός εστίασης, έχουν διαφορετικές συνθήκες φωτισμού από το περιβάλλον εκπαίδευσης ή έχουν ελαφρώς μετατοπισμένα στοιχεία.

Για την επίλυση αυτού του προβλήματος, ο ειδικός Duong Quang Huy συνιστά την τυποποίηση των δεδομένων εικόνας πριν από την εκπαίδευση, συμπεριλαμβανομένων βημάτων όπως η εξισορρόπηση του φωτός, η ρύθμιση των γωνιών, η ενίσχυση της αντίθεσης και η αφαίρεση του θορύβου.

Ταυτόχρονα, η ακριβής επισήμανση με τη χρήση εργαλείων ή ένας συνδυασμός χειροκίνητης και αυτόματης επισήμανσης βοηθά το μοντέλο να μάθει τα πραγματικά χαρακτηριστικά του ελαττώματος, αντί να διαταράσσεται από άσχετα χαρακτηριστικά.

Επίσης, στην εκδήλωση, ο ειδικός Tran Kim Duy Lan - διευθυντής της Navagis για τη χώρα - επεσήμανε ένα ακόμη παράδοξο στην ανάπτυξη της Τεχνητής Νοημοσύνης. Αφενός, η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει στη μείωση του χρόνου σχεδιασμού των τσιπ κατά 30% και στην αύξηση της παραγωγικότητας των εργοστασίων έως και 25%. Από την άλλη πλευρά, τα κέντρα δεδομένων που λειτουργούν με Τεχνητή Νοημοσύνη αναμένεται να καταναλώνουν έως και 21% της παγκόσμιας ηλεκτρικής ενέργειας έως το 2030.

Σε αυτό το πλαίσιο, ο κ. Lan τόνισε τη σημασία της μετάβασης από τα κεντρικά μοντέλα τεχνητής νοημοσύνης σε κατανεμημένα μοντέλα στη συσκευή, και συγκεκριμένα στην Τεχνητή Νοημοσύνη Edge και την Τεχνητή Νοημοσύνη εντός συσκευής. Αυτή θεωρείται στρατηγική τάση για τη διασφάλιση της βιωσιμότητας.

Με το Edge AI, τα δεδομένα υποβάλλονται σε επεξεργασία απευθείας στη συσκευή, όπως μια έξυπνη κάμερα, έναν μικροελεγκτή ή μια ενσωματωμένη πλακέτα, αντί να μεταδίδονται εξ ολοκλήρου στο cloud. Αυτό μπορεί να μειώσει το εύρος ζώνης μετάδοσης, μειώνοντας παράλληλα την καθυστέρηση, αυξάνοντας την ιδιωτικότητα και, το πιο σημαντικό, μειώνοντας την κατανάλωση ενέργειας ανά εργασία κατά 100-1.000 φορές, χάρη στην εξάλειψη του ενδιάμεσου βήματος επεξεργασίας.

Το μέγεθος της παγκόσμιας αγοράς τεχνητής νοημοσύνης φτάνει τα 1.811 δισεκατομμύρια δολάρια ΗΠΑ

Στο συνέδριο, οι ειδικοί ενημέρωσαν επίσης τις τελευταίες εκθέσεις σχετικά με την ανάπτυξη της Τεχνητής Νοημοσύνης, με το μέγεθος της παγκόσμιας αγοράς να αναμένεται να φτάσει τα 1.811 δισεκατομμύρια δολάρια ΗΠΑ έως το 2030. Εν τω μεταξύ, η βιομηχανία ημιαγωγών στοχεύει να φτάσει ταυτόχρονα τα 1.000 δισεκατομμύρια δολάρια ΗΠΑ.

Προς το παρόν, ο συνδυασμός Τεχνητής Νοημοσύνης και ημιαγωγών θεωρείται ότι δημιουργεί μια «διπλή ώθηση» για τη νέα βιομηχανική επανάσταση, ειδικά όταν οι τάσεις της προληπτικής Τεχνητής Νοημοσύνης, της πολυτροπικής Τεχνητής Νοημοσύνης και της γενετικής και βιώσιμης Τεχνητής Νοημοσύνης αναδιαμορφώνουν τις ανάγκες για σχεδιασμό, βελτιστοποίηση και δοκιμή τσιπ.

ΒΑΡΟΣ

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