Menerapkan AI di lini produksi, tampaknya mudah tetapi sulit

Menurut para ahli, tantangan terbesar dalam mengembangkan AI untuk industri semikonduktor saat ini adalah bagaimana membuat model tersebut beroperasi secara akurat dan stabil tepat di jalur produksi.

Para ahli menerapkan AI dalam pengembangan chip semikonduktor - Foto: UMICH

Hal ini menjadi topik utama dalam lokakarya "Solusi Kecerdasan Buatan (AI) dalam Industri Semikonduktor" yang diselenggarakan oleh Pusat Inovasi, Departemen Sains dan Teknologi Kota Ho Chi Minh pada sore hari tanggal 5 Agustus.

Para ahli telah berfokus pada pencarian kemampuan implementasi praktis dalam lingkungan produksi, yang dianggap sebagai hambatan terbesar saat ini.

Pakar Duong Quang Huy - insinyur dari Ascendas Systems - mengatakan bahwa dalam lini produksi modern, terutama lini produksi semikonduktor, model AI diperlukan untuk mendeteksi kesalahan dalam produksi.

Misalnya, insinyur dapat menggunakan alat seperti Deep Network Designer untuk membangun, memvisualisasikan, dan menyempurnakan jaringan saraf, atau Classification Learner untuk menguji berbagai algoritma dan memilih model yang paling sesuai dengan kumpulan data dunia nyata.

Menurut Tn. Huy, kesulitannya terletak pada apakah model tersebut masih dapat mempertahankan akurasi yang sama seperti di laboratorium saat mentransfer model dari lingkungan pelatihan ke jalur produksi nyata.

Karena algoritma dapat mencapai akurasi 99% dalam lingkungan simulasi, tetapi melewatkan cacat produk sebenarnya pada jalur perakitan karena alasan sederhana seperti silau, debu, atau komponen yang sedikit berputar.

"Tantangan dalam mengembangkan AI bukan terletak pada algoritmanya, melainkan pada perpindahan dari laboratorium ke dunia nyata," tegas Bapak Huy.

Pakar Duong Quang Huy hadir pada lokakarya - Foto: TRONG NHAN

Menurut para ahli, salah satu solusi mendasar dan menentukan adalah menstandardisasi data masukan dan membangun kumpulan data pelatihan yang akurat.

Karena sebagian besar kesalahan dalam penerapan model berasal dari data masukan yang tidak konsisten, seperti gambar yang terlalu terang, terdistorsi, tidak fokus, memiliki kondisi pencahayaan yang berbeda dari lingkungan pelatihan, atau memiliki komponen yang sedikit bergeser.

Untuk mengatasi masalah ini, pakar Duong Quang Huy menyarankan untuk menstandardisasi data gambar sebelum pelatihan, termasuk langkah-langkah seperti menyeimbangkan cahaya, menyesuaikan sudut, meningkatkan kontras, dan menghilangkan noise.

Pada saat yang sama, pelabelan akurat menggunakan alat atau kombinasi pelabelan manual dan otomatis membantu model mempelajari karakteristik sebenarnya dari cacat, alih-alih terganggu oleh fitur yang tidak relevan.

Di acara tersebut, pakar Tran Kim Duy Lan, direktur Navagis, juga menyoroti paradoks lain dalam pengembangan AI. Di satu sisi, AI dapat membantu mengurangi waktu desain chip hingga 30% dan meningkatkan produktivitas pabrik hingga 25%. Di sisi lain, pusat data yang mengoperasikan AI diperkirakan akan mengonsumsi hingga 21% listrik global pada tahun 2030.

Dalam konteks tersebut, Bapak Lan menekankan pentingnya peralihan dari model AI terpusat ke model terdistribusi di perangkat, khususnya Edge AI dan AI pada perangkat. Hal ini dianggap sebagai tren strategis untuk memastikan keberlanjutan.

Dengan Edge AI, data diproses langsung di perangkat, seperti kamera pintar, mikrokontroler, atau papan tertanam, alih-alih ditransmisikan sepenuhnya ke cloud. Hal ini dapat mengurangi bandwidth transmisi, sekaligus mengurangi latensi, meningkatkan privasi, dan yang terpenting, mengurangi konsumsi daya per tugas hingga 100-1.000 kali lipat, berkat penghapusan langkah pemrosesan perantara.

Ukuran pasar AI global mencapai 1,811 miliar USD

Pada konferensi tersebut, para ahli juga memperbarui laporan terbaru tentang perkembangan AI, dengan ukuran pasar global yang diperkirakan mencapai 1.811 miliar dolar AS pada tahun 2030. Sementara itu, industri semikonduktor menargetkan mencapai 1.000 miliar dolar AS pada saat yang sama.

Saat ini, kombinasi AI dan semikonduktor dianggap menciptakan "dorongan ganda" bagi revolusi industri baru, terutama ketika tren AI proaktif, AI multi-moda, dan AI generatif & berkelanjutan membentuk kembali kebutuhan desain, pengoptimalan, dan pengujian chip.

BERAT

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