AI ইলেকট্রনিক্স কারখানাগুলোর সারফেস-মাউন্ট লাইনে ভ্রান্ত ত্রুটি (phantom defects) শনাক্ত করার পেছনে ব্যয় করা সময় নাটকীয়ভাবে কমিয়ে দিতে পারে। একটি নতুন ধাপে ধাপে নির্দেশিকা (playbook) প্রস্তুতকারকদের দেখাচ্ছে কীভাবে একটি AI মডেল পাইলট করা যায়, যা অটোমেটেড অপটিক্যাল ইন্সপেকশন (AOI) এর ফলস কলগুলোকে (false calls) র্যাঙ্কিং করতে পারে; এর ফলে ইন্সপেক্টররা সেই ছবিগুলোর দিকেই বেশি মনোযোগ দিতে পারবেন যেগুলোতে প্রকৃত সমস্যা লুকিয়ে থাকার সম্ভাবনা সবচেয়ে বেশি।
AOI সিস্টেম প্রতিটি সম্ভাব্য ত্রুটি চিহ্নিত করে, কিন্তু বেশিরভাগ সতর্কবার্তা আসলে কম্পোনেন্টের আকৃতি বা সোল্ডার স্প্রেডের সামান্য ও ক্ষতিকারক নয় এমন পরিবর্তন মাত্র। ইন্সপেক্টররা এই "ফলস কল" গুলো যাচাই করতে গিয়ে মূল্যবান সময় নষ্ট করেন, অন্যদিকে প্রকৃত ত্রুটিগুলো অনেক সময় পরবর্তী টেস্ট স্টেশনগুলোতে চলে যায়। এই নির্দেশিকার মূল ধারণাটি সহজ: AI-কে AOI-এর সিদ্ধান্ত গ্রহণকারী ইঞ্জিন হিসেবে প্রতিস্থাপন করার জন্য নয়, বরং এর সতর্কবার্তাগুলোকে এমনভাবে পুনরায় সাজানোর জন্য ব্যবহার করা যাতে সবচেয়ে ঝুঁকিপূর্ণ বিষয়গুলো সবার আগে সামনে আসে।
কেন এই সমস্যাটি এখন গুরুত্বপূর্ণ
SMT (Surface-Mount Technology) লাইনগুলো এত দ্রুত চলে যে সেখানে মানুষের পুনরায় পরীক্ষা করার (re-inspection) জন্য খুব সামান্যই সময় থাকে। যখন সতর্কবার্তার তালিকায় ফলস কলগুলোর আধিপত্য থাকে, তখন অপারেটরদের লাইন থামিয়ে প্রতিটি ছবি ম্যানুয়ালি যাচাই করতে হয় এবং মেরামতের কাজের লগ রাখতে হয়। এই বাধার কারণে শ্রম খরচ বৃদ্ধি পায় এবং থ্রুপুট (throughput) বা উৎপাদন ক্ষমতা কমে যায়।
পাইলট ফ্রেমওয়ার্ক – ধারণা থেকে সম্পদ পর্যন্ত
একটি সুনির্দিষ্ট এবং নিরাপদ লক্ষ্য নির্ধারণ করুন পাইলটটি শুধুমাত্র AOI সতর্কবার্তাগুলোকে র্যাঙ্কিং করবে, বোর্ডগুলোকে স্বয়ংক্রিয়ভাবে গ্রহণ বা প্রত্যাখ্যান করবে না। সিদ্ধান্ত গ্রহণের ক্ষমতা মানুষের হাতে রাখলে এটি নিশ্চিত করা যায় যে মডেলটি নীরবে কোনো গুণমান লঙ্ঘন (quality breach) ঘটাচ্ছে না।
একটি বেসলাইন বা ভিত্তি স্থাপন করুন যেকোনো মডেল ডেটা নিয়ে কাজ করার আগে বর্তমান মেট্রিক্সগুলো রেকর্ড করুন: ফলস-কল রেট, প্রতি বোর্ডে গড় ইন্সপেকশন সময়, ডিফেক্ট এস্কেপ রেট এবং FPY। উন্নতির মাপকাঠি হিসেবে এই সংখ্যাগুলো ব্যবহার করুন।
সমৃদ্ধ ও সংযুক্ত ডেটা সংগ্রহ করুন AOI ছবিগুলোর সাথে ইন্সপেক্টরের সিদ্ধান্ত, নির্ধারিত রিপেয়ার কোড, চূড়ান্ত পরীক্ষার ফলাফল এবং সিরিয়াল নম্বর, টাইমস্ট্যাম্প ও মেশিন রেসিপির মতো প্রাসঙ্গিক তথ্যগুলো সংগ্রহ করুন। ডেটাসেট যত সমৃদ্ধ হবে, মডেলটি তত নিখুঁত হবে।
ডেটা দূষণ (data contamination) থেকে রক্ষা করুন ইঞ্জিনিয়ারিং চেঞ্জ অর্ডার (ECOs) প্রায়শই কম্পোনেন্টের ফুটপ্রিন্ট বা প্যাড প্যাটার্ন পরিবর্তন করে দেয়। ECO-এর আগের এবং পরের ছবিগুলো মিশ্রিত করলে মডেলটি বিভ্রান্ত হতে পারে, যা ভুল পূর্বাভাসের দিকে নিয়ে যায়। রিভিশন বা পরিবর্তনের তারিখ অনুযায়ী ডেটা আলাদা করুন।
অর্থবহ লেবেল প্রয়োগ করুন শুধুমাত্র "ত্রুটি / ত্রুটি নেই" (defect / no defect) এই বাইনারি পদ্ধতির পরিবর্তে "রিমওয়ার্ক প্রয়োজন," "ইঞ্জিনিয়ারিং রিভিউ প্রয়োজন," বা "গ্রহণযোগ্য ভিন্নতা" এর মতো বিভাগ ব্যবহার করুন। সুনির্দিষ্ট লেবেল প্রতিটি সতর্কবার্তার গুরুত্ব সম্পর্কে মডেলকে আরও স্পষ্ট সংকেত দেয়।
সঠিক উপায়ে ডেটা বিভাজন করুন রেকর্ডগুলোকে এলোমেলোভাবে ট্রেনিং এবং টেস্ট সেটে ভাগ করলে মডেলটি বাস্তবে কাজ করার চেয়ে অনেক বেশি উন্নত মনে হতে পারে। ডেটা বিভাজনের ক্ষেত্রে টাইম উইন্ডো বা প্রোডাক্ট রিভিশন ব্যবহার করুন যাতে টেস্ট সেটটি প্রকৃত ভবিষ্যতের ডেটার প্রতিফলন ঘটায়।
বাস্তব ব্যবহারের ভিত্তিতে যাচাই করুন ট্রেনিংয়ের পর, একটি ভ্যালিডেশন ব্যাচ র্যাঙ্কিং করুন এবং দেখুন কত শতাংশ প্রকৃত ত্রুটি তালিকার শীর্ষ ২০%-এর মধ্যে রয়েছে। যদি মডেলটি বেশিরভাগ প্রকৃত সমস্যা দ্রুত শনাক্ত করতে পারে, তবে এটি নিয়ন্ত্রিতভাবে ব্যবহারের জন্য প্রস্তুত।
মডেলটিকে একটি প্রোডাকশন সম্পদ হিসেবে বিবেচনা করুন হার্ডওয়্যার রিভিশন ট্র্যাক করার জন্য যে চেঞ্জ-কন্ট্রোল সিস্টেম ব্যবহার করা হয়, ঠিক সেই একই সিস্টেমে প্রতিটি ভার্সন, ট্রেনিং ডেটাসেট এবং হাইপার-প্যারামিটার পরিবর্তন লগ করুন। এই অডিট ট্রেইল আপনাকে আত্মবিশ্বাসের সাথে মডেলটি আপডেট করতে বা আগের অবস্থায় ফিরিয়ে নিতে সাহায্য করবে।
পাশাপাশি চালান, প্রতিস্থাপন করবেন না বিদ্যমান ইন্সপেকশন ফ্লোর সাথে সমান্তরালভাবে AI র্যাঙ্কিং ইঞ্জিনটি চালু করুন। কোনো গ্রহণযোগ্যতার মানদণ্ড (acceptance criteria) পরিবর্তন করার আগে কয়েক সপ্তাহ ধরে এর সুপারিশগুলোর সাথে মানুষের সিদ্ধান্ত এবং চূড়ান্ত পরীক্ষার ফলাফলের তুলনা করুন।
স্কেল করার আগে পুনরাবৃত্তি ও উন্নতি করুন একটি সফল পাইলট হলো একটি নিয়ন্ত্রিত প্রক্রিয়া পরিবর্তন, কোনো অনির্দিষ্ট পরীক্ষা নয়। একবার মডেলটি ধারাবাহিকভাবে বেসলাইন মেট্রিক্স উন্নত করতে শুরু করলে, এই পদ্ধতিটি প্রেডিক্টিভ মেইনটেন্যান্স বা সাপ্লায়ার কোয়ালিটির মতো অন্যান্য ক্ষেত্রেও ব্যবহার করুন।
ঝুঁকি এবং পাল্টা যুক্তি
- ডেটার গুণমানই আসল – অসম্পূর্ণ টাইমস্ট্যাম্প বা অনুপস্থিত রিপেয়ার কোড একটি দুর্বল মডেল তৈরি করবে যা আশানুরূপ ফলাফল দেবে না। একটি সুশৃঙ্খল ডেটা-সংগ্রহ পদ্ধতি অপরিহার্য।
- মডেল ড্রিফট (Model drift) – নতুন কম্পোনেন্টগুলো "স্বাভাবিক" ছবির পরিসংখ্যানগত প্রোফাইল পরিবর্তন করে দেয়। নিয়মিত রিট্রেনিং এবং একই চেঞ্জ-কন্ট্রোল প্রক্রিয়া অনুসরণ করলে এই ড্রিফট কমানো সম্ভব।
- মানুষের ক্লান্তি (Human-in-the-loop fatigue) – র্যাঙ্কিং করার পরেও ইন্সপেক্টরদের অনেক ছবি পরীক্ষা করতে হয়। যদি র্যাঙ্কিং প্রকৃত ত্রুটি এবং অপ্রাসঙ্গিক বিষয়গুলোকে আলাদা করতে না পারে, তবে প্রত্যাশিত সময় সাশ্রয় হবে না। প্রতি বোর্ডে ইন্সপেকশন সময় নিয়মিত পর্যবেক্ষণ করুন।
পরবর্তীতে কী লক্ষ্য রাখতে হবে
যেসব প্রস্তুতকারক AOI-র র্যাঙ্কিং পাইলট সফলভাবে সম্পন্ন করতে পারবে, তারা এই পদ্ধতিটি প্রেডিক্টিভ মেইনটেন্যান্স বা সাপ্লায়ার কোয়ালিটির মতো অন্যান্য ক্ষেত্রেও সম্প্রসারণ করতে পারবে।
মূল কথা: AI শুধুমাত্র তখনই SMT লাইনের দক্ষতা বৃদ্ধি করতে পারে যখন এটি পরিচ্ছন্ন এবং ভার্সন-কন্ট্রোলড ডেটার ওপর ভিত্তি করে তৈরি একটি র্যাঙ্কড-অ্যালার্ট সিস্টেমের সাথে সমন্বিত হয় এবং প্রকৃত ত্রুটি বা ডিফেক্ট ঘটার সাথে যাচাই করা হয়। মডেলটিকে একটি ওয়ান-অফ ডেমো হিসেবে নয়, বরং একটি প্রোডাকশন অ্যাসেট হিসেবে বিবেচনা করুন, তাহলে এর সুফল একটি পুনরাবৃত্তিমূলক সুবিধায় পরিণত হবে।