Repousser les frontières de l’IA de fabrication chez Seagate
[ad_1]
Les mégadonnées, l’analyse et l’IA sont largement utilisées dans des secteurs tels que les services financiers et le commerce électronique, mais sont moins susceptibles d’être trouvées dans les entreprises manufacturières. À quelques exceptions près comme la maintenance prédictive, peu d’entreprises de fabrication ont rassemblé les quantités de données et de talents analytiques pour appliquer de manière agressive l’analyse et l’IA aux processus clés.
Seagate Technology, un fabricant de plus de 10 milliards de dollars de solutions de stockage et de gestion de données, est un contre-exemple de premier plan à cette tendance. Elle dispose d’énormes quantités de données de capteurs dans ses usines et les utilise intensivement depuis cinq ans pour garantir et améliorer la qualité et l’efficacité de ses processus de fabrication.
L’un des principaux objectifs de l’analyse de fabrication de Seagate a été l’automatisation de l’inspection visuelle des plaquettes de silicium, à partir desquelles les têtes d’unité de disque sont fabriquées, et des outils pour les fabriquer. Plusieurs images microscopiques sont prises à partir de divers ensembles d’outils tout au long de la fabrication de la tranche, et ces images jouent un rôle clé dans la détection des défauts dans la tranche et la surveillance de la santé des ensembles d’outils. Une équipe de contrôle d’usine, dirigée par Sthitie Bom, directrice principale de Global Wafer Systems, a utilisé les données fournies par ces images pour créer un système automatisé de détection et de classification des défauts avec la capacité de détecter et de classer les défauts des plaquettes directement à partir de l’image. D’autres modèles de classification d’images détectent les microscopes flous dans les outils.
Basés sur des algorithmes d’apprentissage en profondeur, ces modèles ADC (Auto Defect Classification) ont été déployés pour la première fois fin 2017, et depuis lors, l’échelle et la puissance de la détection d’images ont considérablement augmenté dans les usines de plaquettes aux États-Unis et en Irlande du Nord, réalisant plusieurs millions de dollars. économies de travail d’inspection et prévention de la ferraille. Bien que l’entreprise ait pu réduire le nombre d’inspections manuelles à l’aide de ces systèmes, l’objectif n’a pas seulement été de libérer du travail d’inspection pour d’autres types de travail, mais aussi de rendre les processus de fabrication plus efficaces. La précision de l’inspection visuelle était de 50% il y a plusieurs années, mais dépasse maintenant 90%.
Un autre domaine de succès a été l’intégration des données de capteurs de toute l’usine. Bom et le groupe mondial des systèmes de plaquettes ont généralement une forte préférence pour les solutions open source. Mais elle s’est associée à Savigent Software, une société de plateformes d’opérations intelligentes, pour intégrer les données de ses nombreux capteurs sur plusieurs machines dans chaque usine et rendre les données disponibles pour analyse. Le groupe de Bom a également été le premier au sein de Seagate à utiliser Hadoop pour stocker des données à utiliser par des applications d’analyse et d’IA.
Défis liés à l’explicabilité du modèle
Bien que Seagate ait fait des progrès substantiels dans plusieurs domaines différents de l’analyse de fabrication et de l’IA, il reste un défi majeur. Compte tenu du grand nombre de capteurs et d’outils de métrologie dans une usine, il peut y avoir des faux positifs inévitables dans les alertes destinées aux ingénieurs. Les traces des défauts transitoires dans les lectures des capteurs ne sont souvent jamais vues. La plupart des modèles de reconnaissance d’image générant des alertes étant des modèles d’apprentissage profond, ils sont beaucoup trop complexes pour être interprétés par les ingénieurs. Le seul recours pour l’ingénieur est une longue série d’investigations des capteurs et des relevés de défauts. Le groupe d’analyse fournit actuellement un score d’alerte aux ingénieurs qui prédit la probabilité d’un défaut de capteur valide, mais il ne fournit aucune indication sur la raison pour laquelle le score a été attribué.
Le groupe de Bom travaille avec diligence pour fournir plus d’explicabilité du modèle, un problème qui est également présent dans de nombreux autres environnements d’apprentissage en profondeur. Son groupe se concentre sur deux types d’efforts en termes d’explication des modèles d’IA. L’un est au niveau de la science des données. Le cas échéant, le groupe utilise les valeurs de Shapley, une approche pour évaluer l’influence de caractéristiques particulières dans des modèles dérivée de la théorie des jeux. L’approche fonctionne bien dans des modèles relativement simples, mais nécessite actuellement des calculs trop coûteux pour être pratique pour les modèles d’apprentissage en profondeur.
La seconde approche – un traitement plus concret et pratique de l’explicabilité – implique la mise en place d’un cadre de gouvernance qui étend les pratiques d’ingénierie logicielle standard pour inclure des contrôles sur le comportement des modèles, en utilisant trois indicateurs de performance différents. Ils comprennent:
- surveillance des erreurs d’exécution – systèmes de journalisation standard qui surveillent, diagnostiquent, expliquent et alertent les erreurs d’exécution dans un modèle déployé en production;
- surveillance des performances du modèle – interfaces homme-dans-la-boucle pour capturer la validation par les experts du domaine des décisions de l’algorithme, ainsi que des preuves à l’appui sur les ensembles de données plausibles qui peuvent expliquer la décision du modèle;
- surveillance métrique conséquente – ces métriques mesurent tout ce qui pourrait être affecté de manière indésirable suite à l’adoption de la décision d’apprentissage automatique, par exemple les taux de maintien des composants défectueux.
Ces trois piliers de gouvernance existent pour comprendre et expliquer les conséquences de la prise de décisions incorrectes par les modèles déployés, savoir à quel moment les performances du modèle se dégradent et identifier les actions correctives et la validation human-in-the-loop nécessaire.
Outre les approches de l’explicabilité de la science des données et de la gouvernance, les équipes de Bom se sont associées au centre d’innovation de Seagate – Lyve Labs. Lyve Labs Israel est le centre d’innovation de Seagate, ouvert en février 2020, dont la mission est de former des partenariats avec l’écosystème des startups pour permettre des innovations avec des technologies externes. Ils travaillent également en étroite collaboration avec des établissements universitaires aux États-Unis et au Royaume-Uni pour développer des modèles qui établissent des voies causales entre divers événements afin que l’analyse des causes profondes puisse être accélérée, voire entièrement automatisée.
Collaboration de pointe en matière d’IA entre les fabricants de haute technologie du Minnesota
Bom est consciente que les défis de l’IA et de l’analyse que ses rencontres de groupe ne sont pas, pour la plupart, uniques à Seagate. Elle collabore avec d’autres fabricants de haute technologie dans la région du Minnesota (où Seagate a d’importantes opérations de fabrication) pour déterminer comment ils traitent les problèmes. En octobre 2019, Seagate a coparrainé une session d’analyse comparative de deux jours avec Savigent et ces entreprises pour discuter de l’impact de l’IA sur les opérations de fabrication.
Bom a déclaré qu’elle avait appris deux choses principales grâce à l’analyse comparative avec les autres entreprises. Le premier n’est pas surprenant étant donné que Seagate déclare souvent que «les données sont dans notre ADN». L’année dernière, l’entreprise a lancé le Repenser les données rapport, basé sur une enquête IDC montrant que les entreprises manquent 68% des données dont elles disposent. Seagate, estime-t-elle, dispose d’une «infrastructure de données très solide». Cela offre à l’entreprise une piste beaucoup plus courte pour le développement de modèles, car elle a déjà beaucoup investi dans la structuration, le nettoyage et la démocratisation des données. Bom a également estimé que, par rapport aux autres entreprises participant à la session, Seagate semblait avoir un portefeuille d’IA plus diversifié. Il avait des déploiements dans l’espace d’inspection visuelle, l’espace des séries temporelles et l’espace de détection douce (lorsque les données de plusieurs capteurs sont mesurées et analysées ensemble).
Les succès de déploiement du groupe ont été reconnus par d’autres organisations en dehors de Seagate. L’intégration de l’inspection visuelle basée sur l’apprentissage profond dans les usines de plaquettes a remporté un Tekne Award en 2018 dans la catégorie Emerging Technologies, un prix décerné par la Minnesota Technology Association pour célébrer un produit ou un service de pointe qui repousse les limites de la technologie. Seagate a également remporté le Irish Manufacturing Research Award en 2019 pour sa mise en œuvre de la détection dynamique des défauts AI-in-the-cloud dans les usines de wafers. Il y a beaucoup d’intérêt et d’investissement dans les industries dans l’espace de l’IA avec de nombreuses preuves de concept réussies; cependant, le déploiement d’une solution en production puis sa mise à l’échelle présente de nombreux défis, en particulier dans la fabrication. Cela rend les succès de déploiement de l’IA chez Seagate Wafer particulièrement remarquables. Matt Johnson, vice-président de l’ingénierie des procédés et des systèmes, le résume en disant: «L’intégration de l’IA / ML dans les systèmes de surveillance des plaquettes critiques a permis de détecter plus rapidement les problèmes, réduisant ainsi les ressources humaines requises dans le cadre de la surveillance continue de ces processus, et amélioré la qualité des plaquettes expédiées à nos clients internes en aval. «
Sthitie Bom attribue le succès de l’équipe à son éthique de création de valeur, d’innovation continue et de vision forte. Le groupe est déterminé à aborder les capacités de l’IA d’usine et les poursuit sur plusieurs fronts.
Bom a dirigé le développement d’un consortium en cours au sein de la Minnesota Technology Association parmi les entreprises participant à la réunion d’analyse comparative de 2019. Elle poursuit un doctorat en sciences cognitives à l’Université du Minnesota et siège au conseil consultatif du département de statistiques de l’université. Bom est un brillant exemple de la façon dont un leader concentré et axé sur la valeur peut faire une différence transformatrice en explorant et en exploitant la puissance de l’IA dans la fabrication de haute technologie.
[ad_2]