Panduan langkah demi langkah untuk menggunakan AI dalam talian teknologi pemasangan permukaan (SMT) telah diterbitkan, menunjukkan kepada pengilang cara menukar satu masalah pengeluaran kepada peningkatan hasil yang boleh diukur.

Mengapa projek AI terbantut di kilang elektronik

Pengeluar elektronik telah mengejar kehebatan pembelajaran mesin (machine-learning) selama bertahun-tahun, sering kali melatih model menggunakan data yang tidak pernah dipetakan kepada isu kos atau kualiti yang sebenar. Hasilnya ialah timbunan bukti konsep (proof of concept) yang hanya tersimpan di pelayan, sementara lantai bengkel masih bergelut dengan hasil laluan pertama (FPY) yang rendah dan kadar sisa (scrap) yang tinggi. Panduan baharu ini mengubah pendekatan tersebut: ia bermula dengan keputusan yang jelas—“Kenal pasti unit untuk semakan dipertingkatkan selepas AOI tetapi sebelum ICT”—dan membina model yang boleh dinilai berdasarkan metrik prestasi sedia ada.

Risiko bagi pengilang

Setiap papan litar cacat yang terlepas daripada pemeriksaan bermaksud pembaziran komponen, tenaga kerja kerja semula (rework) tambahan, dan pelancaran produk yang tertunda. Sebaliknya, model yang mengalami penyimpangan (drift) selepas pertukaran pembekal atau pemindahan kilang boleh menjejaskan prestasi. Menganggap algoritma seperti peralatan lain—yang perlu dikalibrasi, dipantau, dan diselenggara—membantu mengekalkan keseimbangan demi keuntungan.

Lapan langkah yang digariskan dalam panduan tersebut

  1. Tentukan keputusan dalam satu ayat – Tentukan tindakan tepat yang akan dicetuskan oleh model, contohnya, “Kenal pasti unit untuk semakan dipertingkatkan selepas AOI tetapi sebelum ICT.”
  2. Rekodkan garis dasar (baseline) anda – Catat FPY semasa, kos sisa, dan masa kerja semula. Nombor-nombor ini akan menjadi kayu ukur bagi sebarang penambahbaikan yang dihasilkan oleh AI.
  3. Gabungkan data anda – Hubungkan nombor siri merentasi aliran data SMT dan keputusan ujian. Masukkan data anjakan kedudukan (placement offsets), volum pasta, dan suhu aliran semula (reflow) supaya model dapat melihat gambaran proses yang lengkap.
  4. Sertakan sejarah BOM – Perubahan saiz komponen atau pertukaran pembekal menjejaskan tingkah laku bahagian. Menandakan setiap papan dengan versi senarai bahan (bill-of-materials) membolehkan model mempelajari kehalusan tersebut.
  5. Reka ciri proses – Jangan lihat satu mesin secara berasingan. Gabungkan volum pasta yang rendah dengan anjakan kedudukan, atau peralihan profil aliran semula, untuk mendedahkan faktor risiko sebenar.
  6. Bahagikan data mengikut masa, bukan secara rawak – Pembahagian secara rawak boleh membocorkan maklumat masa hadapan ke dalam latihan, sekali gus melambungkan skor kejayaan. Pembahagian mengikut kronologi meniru penggunaan dunia sebenar.
  7. Uji dengan keadaan sebenar – Sahkan model merentasi pelbagai keluarga produk, tetapan mesin, dan lot bahan untuk memastikan keteguhan.
  8. Gunakan mod bayangan (shadow mode) – Jalankan ramalan bersama-sama dengan talian pengeluaran aktif tanpa mempengaruhinya. Bandingkan amaran AI dengan hasil ujian sebenar sebelum membuat sebarang perubahan proses.

Bagaimana AI harus menambah baik, bukan menggantikan, pemeriksaan sedia ada

Panduan tersebut menekankan bahawa AI adalah rakan kongsi kepada jurutera, bukannya pengganti kepada pemeriksaan sedia ada seperti SPI (pemeriksaan pasta pematri) atau AOI (pemeriksaan optik automatik). Dengan menggabungkan isyarat daripada pelbagai sumber, algoritma tersebut dapat mendedahkan corak—seperti interaksi halus antara volum pasta dan anjakan kedudukan—yang mungkin terlepas daripada pandangan manusia. Ejen dipacu AI juga boleh mengautomasikan pengumpulan data dan menghantar amaran kepada juruteknik yang bertanggungjawab, tetapi ia tidak boleh mengubah had ujian atau resipi SMT dengan sendirinya.

Memantau dan menyelenggara kesihatan model

Prestasi model merosot apabila pemboleh ubah huluan (upstream) berubah, seperti pembekal komponen baharu atau pemindahan pengeluaran ke kilang yang berbeza. Anggaplah AI sebagai satu lagi peralatan kilang yang memerlukan log kalibrasi, penyelenggaraan pencegahan, dan pelan penamatan (decommissioning) yang ditetapkan.

Pandangan balas: risiko automasi berlebihan

Pengkritik berpendapat bahawa AI boleh menjadi "kotak hitam" (black box), menyebabkan kilang mempercayai ramalan yang tidak mereka fahami. Penekanan panduan tersebut terhadap mod bayangan dan pembahagian data berasaskan masa menangani kebimbangan itu secara langsung, memaksa semakan realiti sebelum sebarang automasi dilaksanakan. Walau bagaimanapun, syarikat mesti melabur dalam kakitangan yang boleh mentafsir output model dan campur tangan apabila anomali muncul.

Apa yang perlu diperhatikan seterusnya

Rumusan: Pendekatan berfokuskan data yang bermula dengan satu masalah pengeluaran yang boleh diukur boleh mengubah AI daripada projek spekulatif kepada alat penambahbaikan hasil yang nyata di lantai SMT. Panduan baharu ini menyediakan pelan tindakan praktikal; ujian sebenar terletak pada pelaksanaan yang berdisiplin dan pengurusan berterusan model yang diciptanya.

Sumber: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0