AI ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಕಾರ್ಖಾನೆಗಳು ತಮ್ಮ ಸರ್ಫೇಸ್-ಮೌಂಟ್ ಲೈನ್ಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಕಾಲ್ಪನಿಕ ದೋಷಗಳನ್ನು (phantom defects) ಹುಡುಕುವಲ್ಲಿ ವ್ಯಯಿಸುವ ಸಮಯವನ್ನು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು. ಆಟೋಮೇಟೆಡ್ ಆಪ್ಟಿಕಲ್ ಇನ್ಸ್ಪೆಕ್ಷನ್ (AOI) ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳನ್ನು (false calls) ಶ್ರೇಣೀಕರಿಸುವ AI ಮಾಡೆಲ್ ಅನ್ನು ತಯಾರಕರು ಹೇಗೆ ಪೈಲಟ್ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುವ ಹೊಸ ಹಂತ-ಹಂತದ ಮಾರ್ಗದರ್ಶಿ ಇಲ್ಲಿದೆ. ಇದು ಪರಿಶೀಲಕರು (inspectors) ನಿಜವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಅಡಗಿಸಿರುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಇರುವ ಚಿತ್ರಗಳ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
AOI ವ್ಯವಸ್ಥೆಗಳು ಪ್ರತಿಯೊಂದು ಸಂಭಾವ್ಯ ದೋಷವನ್ನು ಗುರುತಿಸುತ್ತವೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಎಚ್ಚರಿಕೆಗಳು ಘಟಕದ ಆಕಾರ ಅಥವಾ ಸೋಲ್ಡರ್ ಹರಡುವಿಕೆಯಲ್ಲಿನ ಹಾನಿಕಾರಕವಲ್ಲದ ವ್ಯತ್ಯಾಸಗಳಾಗಿರುತ್ತವೆ. ಪರಿಶೀಲಕರು ಇಂತಹ "ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳನ್ನು" ವಿಂಗಡಿಸಲು ಸಮಯ ವ್ಯರ್ಥ ಮಾಡುತ್ತಾರೆ, ಇದರಿಂದಾಗಿ ನಿಜವಾದ ದೋಷಗಳು ಕೆಲವೊಮ್ಮೆ ಮುಂದಿನ ಪರೀಕ್ಷಾ ಕೇಂದ್ರಗಳಿಗೆ ತಪ್ಪಿಹೋಗಬಹುದು. ಈ ಮಾರ್ಗದರ್ಶಿಯ ಮೂಲ ಉದ್ದೇಶ ಸರಳವಾಗಿದೆ: AI ಅನ್ನು AOI ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಇಂಜಿನ್ ಅನ್ನು ಬದಲಾಯಿಸಲು ಬಳಸುವ ಬದಲು, ಅದರ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಮರುಕ್ರಮಗೊಳಿಸಲು ಬಳಸುವುದು, ಇದರಿಂದಾಗಿ ಹೆಚ್ಚು ಅಪಾಯಕಾರಿ ಎಚ್ಚರಿಕೆಗಳು ಮೊದಲು ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ.
ಈ ಸಮಸ್ಯೆ ಈಗ ಏಕೆ ಮುಖ್ಯ?
SMT (Surface-Mount Technology) ಲೈನ್ಗಳು ಅತಿ ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಅಲ್ಲಿ ಮಾನವನ ಮರು-ಪರಿಶೀಲನೆಗೆ ಹೆಚ್ಚಿನ ಸಮಯವಿರುವುದಿಲ್ಲ. ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು ಎಚ್ಚರಿಕೆ ಪ್ರವಾಹದಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಸಾಧಿಸಿದಾಗ, ಆಪರೇಟರ್ಗಳು ಲೈನ್ ಅನ್ನು ನಿಲ್ಲಿಸಬೇಕಾಗುತ್ತದೆ, ಪ್ರತಿಯೊಂದು ಚಿತ್ರವನ್ನು ಮ್ಯಾನುಯಲ್ ಆಗಿ ಪರಿಶೀಲಿಸಬೇಕಾಗುತ್ತದೆ ಮತ್ತು ರಿಪೇರಿ ಕ್ರಮಗಳನ್ನು ದಾಖಲಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಅಡಚಣೆಯು ಕಾರ್ಮಿಕ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಉತ್ಪಾದನಾ ಸಾಮರ್ಥ್ಯವನ್ನು (throughput) ಕುಗ್ಗಿಸುತ್ತದೆ.
ಪೈಲಟ್ ಚೌಕಟ್ಟು – ಕಲ್ಪನೆಯಿಂದ ಆಸ್ತಿಯವರೆಗೆ
ಕಿರಿದಾದ ಮತ್ತು ಸುರಕ್ಷಿತ ಗುರಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ ಪೈಲಟ್ ಮಾಡೆಲ್ ಕೇವಲ AOI ಎಚ್ಚರಿಕೆಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸಬೇಕೇ ಹೊರತು, ಬೋರ್ಡ್ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸ್ವೀಕರಿಸಬಾರದು ಅಥವಾ ತಿರಸ್ಕರಿಸಬಾರದು. ನಿರ್ಧಾರವನ್ನು ಮಾನವರ ಕೈಯಲ್ಲಿ ಇರಿಸಿಕೊಳ್ಳುವುದು ಮಾಡೆಲ್ ಯಾವುದೇ ಗುಣಮಟ್ಟದ ಉಲ್ಲಂಘನೆಯನ್ನು ಮೌನವಾಗಿ ಮಾಡದಂತೆ ಖಚಿತಪಡಿಸುತ್ತದೆ.
ಮೂಲಾಧಾರವನ್ನು (baseline) ಸ್ಥಾಪಿಸಿ ಯಾವುದೇ ಮಾಡೆಲ್ ಡೇಟಾವನ್ನು ಬಳಸುವ ಮೊದಲು, ಪ್ರಸ್ತುತ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ದಾಖಲಿಸಿ: ತಪ್ಪು ಎಚ್ಚರಿಕೆ ದರ (false-call rate), ಪ್ರತಿ ಬೋರ್ಡ್ನ ಸರಾಸರಿ ಪರಿಶೀಲನಾ ಸಮಯ, ದೋಷ ತಪ್ಪಿಹೋಗುವ ದರ (defect escape rate) ಮತ್ತು FPY. ಸುಧಾರಣೆಯನ್ನು ಅಳೆಯಲು ಈ ಅಂಕಿಅಂಶಗಳನ್ನು ಮಾನದಂಡವಾಗಿ ಬಳಸಿ.
ಸಮೃದ್ಧವಾದ, ಲಿಂಕ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿ AOI ಚಿತ್ರಗಳ ಜೊತೆಗೆ ಪರಿಶೀಲಕನ ತೀರ್ಪು, ನೀಡಲಾದ ರಿಪೇರಿ ಕೋಡ್, ಅಂತಿಮ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಸೀರಿಯಲ್ ಸಂಖ್ಯೆ, ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ ಮತ್ತು ಮೆಷಿನ್ ರೆಸಿಪಿ ಅಂತಹ ಸಂದರ್ಭದ ಕ್ಷೇತ್ರಗಳನ್ನು (context fields) ಒಟ್ಟುಗೂಡಿಸಿ. ಡೇಟಾ ಸೆಟ್ ಎಷ್ಟು ಸಮೃದ್ಧವಾಗಿದೆಯೋ, ಮಾಡೆಲ್ ಅಷ್ಟು ನಿಖರವಾಗುತ್ತದೆ.
ಡೇಟಾ ಕಂಟಮಿನೇಷನ್ನಿಂದ ರಕ್ಷಿಸಿ ಎಂಜಿನಿಯರಿಂಗ್ ಚೇಂಜ್ ಆರ್ಡರ್ಗಳು (ECOs) ಆಗಾಗ್ಗೆ ಘಟಕಗಳ ಫುಟ್ಪ್ರಿಂಟ್ ಅಥವಾ ಪ್ಯಾಡ್ ಮಾದರಿಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ. ECO-ಪೂರ್ವ ಮತ್ತು ECO-ನಂತರದ ಚಿತ್ರಗಳನ್ನು ಬೆರೆಸುವುದರಿಂದ ಮಾಡೆಲ್ ಗೊಂದಲಕ್ಕೀಡಾಗಿ, ಕಳಪೆ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡಬಹುದು. ಡೇಟಾವನ್ನು ರಿವಿಷನ್ ಅಥವಾ ಬದಲಾವಣೆಯ ದಿನಾಂಕದ ಆಧಾರದ ಮೇಲೆ ವಿಂಗಡಿಸಿ.
ಅರ್ಥಪೂರ್ಣ ಲೇಬಲ್ಗಳನ್ನು ಅನ್ವಯಿಸಿ ಕೇವಲ "ದೋಷ / ದೋಷವಿಲ್ಲ" ಎಂಬ ಬೈನರಿ ಬದಲಿಗೆ, "ರಿವರ್ಕ್ ಅಗತ್ಯವಿದೆ," "ಎಂಜಿನಿಯರಿಂಗ್ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ," ಅಥವಾ "ಅಂಗೀಕರಿಸಬಹುದಾದ ವ್ಯತ್ಯಾಸ" ಎಂಬ ವರ್ಗಗಳನ್ನು ಬಳಸಿ. ವಿವರವಾದ ಲೇಬಲ್ಗಳು ಪ್ರತಿಯೊಂದು ಎಚ್ಚರಿಕೆಯ ತೀವ್ರತೆಯ ಬಗ್ಗೆ ಮಾಡೆಲ್ಗೆ ಸ್ಪಷ್ಟ ಸಂಕೇತಗಳನ್ನು ನೀಡುತ್ತವೆ.
ಡೇಟಾವನ್ನು ಸರಿಯಾದ ರೀತಿಯಲ್ಲಿ ವಿಂಗಡಿಸಿ ರೆಕಾರ್ಡ್ಗಳನ್ನು ತರಬೇತಿ (training) ಮತ್ತು ಪರೀಕ್ಷಾ (test) ಸೆಟ್ಗಳಿಗೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ (randomly) ವಿಂಗಡಿಸುವುದು ಮಾಡೆಲ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡಬಹುದು. ಪರೀಕ್ಷಾ ಸೆಟ್ ನಿಜವಾಗಿಯೂ ಭವಿಷ್ಯದ ಡೇಟಾವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವಂತೆ ಸಮಯದ ವಿಂಡೋ ಅಥವಾ ಉತ್ಪನ್ನದ ರಿವಿಷನ್ ಮೂಲಕ ವಿಂಗಡಿಸಿ.
ನೈಜ-ಪ್ರಪಂಚದ ಬಳಕೆಗೆ ವಿರುದ್ಧವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ತರಬೇತಿಯ ನಂತರ, ಒಂದು ವ್ಯಾಲಿಡೇಶನ್ ಬ್ಯಾಚ್ ಅನ್ನು ಶ್ರೇಣೀಕರಿಸಿ ಮತ್ತು ಎಷ್ಟು ನಿಜವಾದ ದೋಷಗಳು ಪಟ್ಟಿಯ ಮೇಲಿನ 20% ರೊಳಗೆ ಬರುತ್ತವೆ ಎಂಬುದನ್ನು ಅಳೆಯಿರಿ. ಮಾಡೆಲ್ ಹೆಚ್ಚಿನ ನೈಜ ಸಮಸ್ಯೆಗಳನ್ನು ಮೊದಲೇ ಗುರುತಿಸಿದರೆ, ಅದು ನಿಯಂತ್ರಿತ ರೋಲ್ಔಟ್ಗೆ ಸಿದ್ಧವಾಗಿದೆ ಎಂದರ್ಥ.
ಮಾಡೆಲ್ ಅನ್ನು ಉತ್ಪಾದನಾ ಆಸ್ತಿಯಾಗಿ ಪರಿಗಣಿಸಿ ಹಾರ್ಡ್ವೇರ್ ರಿವಿಷನ್ಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಅದೇ ಚೇಂಜ್-ಕಂಟ್ರೋಲ್ ಸಿಸ್ಟಮ್ನಲ್ಲಿ ಪ್ರತಿಯೊಂದು ವರ್ಷन, ತರಬೇತಿ ಡೇಟಾ ಸೆಟ್ ಮತ್ತು ಹೈಪರ್-ಪ್ಯಾರಾಮೀಟರ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ದಾಖಲಿಸಿ. ಈ ಆಡಿಟ್ ಟ್ರೈಲ್ ಮಾಡೆಲ್ ಅನ್ನು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಹಿಂದಕ್ಕೆ ಪಡೆಯಲು ಅಥವಾ ಅಪ್ಡೇಟ್ ಮಾಡಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಪಕ್ಕಾ ಪಕ್ಕದಲ್ಲಿ ಚಲಾಯಿಸಿ, ಬದಲಾಯಿಸಬೇಡಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಶೀಲನಾ ಪ್ರಕ್ರಿಯೆಯೊಂದಿಗೆ ಸಮಾನಾಂತರವಾಗಿ AI ಶ್ರೇಣೀಕರಣ ಇಂಜಿನ್ ಅನ್ನು ನಿಯೋಜಿಸಿ. ಯಾವುದೇ ಸ್ವೀಕೃತಿ ಮಾನದಂಡಗಳನ್ನು ಬದಲಾಯಿಸುವ ಮೊದಲು ಹಲವಾರು ವಾರಗಳ ಕಾಲ ಅದರ ಶಿಫಾರಸುಗಳನ್ನು ಮಾನವ ಪರಿಶೀಲಕನ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಅಂತಿಮ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ ನೋಡಿ.
ವಿಸ್ತರಿಸುವ ಮೊದಲು ಪುನರಾವರ್ತಿಸಿ ಯಶಸ್ವಿ ಪೈಲಟ್ ಎಂಬುದು ನಿಯಂತ್ರಿತ ಪ್ರಕ್ರಿಯೆಯ ಬದಲಾವಣೆ, ಮುಕ್ತ ಪ್ರಯೋಗವಲ್ಲ. ಮಾಡೆಲ್ ಸ್ಥಿರವಾಗಿ ಮೂಲಾಧಾರ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಸುಧಾರಿಸಿದ ನಂತರ, ಈ ವಿಧಾನವನ್ನು ಪ್ರೆಡಿಕ್ಟಿವ್ ಮೇಂಟೆನೆನ್ಸ್ ಅಥವಾ ಸಪ್ಲೈಯರ್ ಕ್ವಾಲಿಟಿ ಅಂತಹ ಇತರ ಬಳಕೆಗಳಿಗಾಗಿ ಮರುಬಳಕೆ ಮಾಡಿ.
ಅಪಾಯಗಳು ಮತ್ತು ವಿರೋಧಾಭಿಪ್ರಾಯಗಳು
- ಡೇಟಾ ಗುಣಮಟ್ಟವೇ ಎಲ್ಲವೂ – ಅಪೂರ್ಣ ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ಗಳು ಅಥವಾ ಕಾಣೆಯಾದ ರಿಪೇರಿ ಕೋಡ್ಗಳು ಕಳಪೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಾಡೆಲ್ ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಶಿಸ್ತುಬದ್ಧವಾದ ಡೇಟಾ ಸಂಗ್ರಹಣಾ ಕ್ರಮವು ಅನಿವಾರ್ಯವಾಗಿದೆ.
- ಮಾಡೆಲ್ ಡ್ರಿಫ್ಟ್ (Model drift) – ಹೊಸ ಘಟಕಗಳು "ಸಾಮಾನ್ಯ" ಚಿತ್ರಗಳ ಅಂಕಿಅಂಶಗಳ ಪ್ರೊಫೈಲ್ ಅನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ. ನಿಯಮಿತ ಮರು-ತರಬೇತಿಯು ಈ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ತಗ್ಗಿಸುತ್ತದೆ.
- ಮಾನವ-ಪ್ರತಿಕ್ರಿಯೆಯ ಸುಸ್ತು (Human-in-the-loop fatigue) – ಎಚ್ಚರಿಕೆಗಳನ್ನು ಶ್ರೇಣೀಕರಿಸುವುದು ಎಂದರೆ ಪರಿಶೀಲಕರು ಇನ್ನೂ ಅನೇಕ ಚಿತ್ರಗಳನ್ನು ಪರೀಕ್ಷಿಸಬೇಕಾಗುತ್ತದೆ ಎಂದರ್ಥ. ಶ್ರೇಣೀಕರಣವು ನಿಜವಾದ ದೋಷಗಳನ್ನು ಶಬ್ದದಿಂದ (noise) ಪ್ರತ್ಯೇಕಿಸದಿದ್ದರೆ, ನಿರೀಕ್ಷಿತ ಸಮಯ ಉಳಿತಾಯವು ವ್ಯರ್ಥವಾಗುತ್ತದೆ. ಪ್ರತಿ ಬೋರ್ಡ್ನ ಪರಿಶೀಲನಾ ಸಮಯವನ್ನು ನಿರಂತರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ.
ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು
AOI-ಶ್ರೇಣೀಕರಣ ಪೈಲಟ್ನಲ್ಲಿ ಯಶಸ್ವಿಯಾದ ತಯಾರಕರು, ಈ ಮಾದರಿಯನ್ನು ಪ್ರೆಡಿಕ್ಟಿವ್ ಮೇಂಟೆನೆನ್ಸ್ ಅಥವಾ ಸಪ್ಲೈಯರ್ ಕ್ವಾಲಿಟಿ ಅಂತಹ ಇತರ ಬಳಕೆಗಳಿಗೆ ವಿಸ್ತರಿಸಬಹುದು.
ಸಾರಾಂಶ: AI ತಂತ್ರಜ್ಞಾನವು SMT ಲೈನ್ನ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದು ಎಂದರೆ, ಅದು ಶುದ್ಧವಾದ ಮತ್ತು ವರ್ಷನ್-ಕಂಟ್ರೋಲ್ಡ್ (version-controlled) ದತ್ತಾಂಶದ ಮೇಲೆ ನಿರ್ಮಿತವಾದ ಹಾಗೂ ನೈಜ ದೋಷಗಳ ಸಂಭವಿಸುವಿಕೆಯನ್ನು ಆಧರಿಸಿ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟ ಶ್ರೇಣೀಕೃತ ಎಚ್ಚರಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು (ranked-alert system) ಅಳವಡಿಸಿದಾಗ ಮಾತ್ರ ಸಾಧ್ಯ. ಮಾಡೆಲ್ ಅನ್ನು ಕೇವಲ ಒಂದು ಬಾರಿಯ ಪ್ರದರ್ಶನವಾಗಿ ನೋಡದೆ, ಅದನ್ನು ಉತ್ಪಾದನಾ ಆಸ್ತಿಯಾಗಿ ಪರಿಗಣಿಸಿದರೆ, ಅದರ ಪ್ರಯೋಜನವು ಒಂದು ಪುನರಾವರ್ತಿತ ಅನುಕೂಲವಾಗುತ್ತದೆ.