ਇੱਕ ਸਟੈਪ-ਬਾਈ-ਸਟੈਪ ਗਾਈਡ ਪੋਸਟ ਕੀਤੀ ਗਈ ਹੈ ਜੋ ਸਤ੍ਹਾ-ਮਾਊਂਟ ਟੈਕਨੋਲੋਜੀ (SMT) ਲਾਈਨ 'ਤੇ AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਦੱਸਦੀ ਹੈ, ਜੋ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਇੱਕ ਸਿੰਗਲ ਉਤਪਾਦਨ ਸਮੱਸਿਆ ਨੂੰ ਮਾਪਣਯੋਗ yield (ਪੈਦਾਵਾਰ) ਵਾਧੇ ਵਿੱਚ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਇਲੈਕਟ੍ਰਾਨਿਕਸ ਫੈਕਟਰੀਆਂ ਵਿੱਚ AI ਪ੍ਰੋਜੈਕਟ ਕਿਉਂ ਰੁਕ ਜਾਂਦੇ ਹਨ
ਇਲੈਕਟ੍ਰਾਨਿਕਸ ਬਣਾਉਣ ਵਾਲੇ ਕਈ ਸਾਲਾਂ ਤੋਂ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਦੇ ਹਾਈਪ (hype) ਦੇ ਪਿੱਛੇ ਭੱਜ ਰਹੇ ਹਨ, ਅਕਸਰ ਅਜਿਹੇ ਡੇਟਾ 'ਤੇ ਮਾਡਲਾਂ ਨੂੰ ਟ੍ਰੇਨ ਕਰਦੇ ਹਨ ਜੋ ਅਸਲ ਲਾਗਤ ਜਾਂ ਗੁਣਵੱਤਾ ਦੀ ਸਮੱਸਿਆ ਨਾਲ ਸਬੰਧਤ ਨਹੀਂ ਹੁੰਦੇ। ਨਤੀਜੇ ਵਜੋਂ, proofs of concept (POCs) ਦਾ ਇੱਕ ਬੈਕਲੌਗ ਬਣ ਜਾਂਦਾ ਹੈ ਜੋ ਸਰਵਰਾਂ 'ਤੇ ਪਏ ਰਹਿੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਸ਼ਾਪ ਫਲੋਰ ਅਜੇ ਵੀ ਘੱਟ first-pass yield (FPY) ਅਤੇ ਉੱਚ ਸਕ੍ਰੈਪ ਰੇਟਾਂ ਨਾਲ ਜੂਝ ਰਿਹਾ ਹੁੰਦਾ ਹੈ। ਨਵੀਂ ਗਾਈਡ ਇਸ ਸਥਿਤੀ ਨੂੰ ਬਦਲਦੀ ਹੈ: ਇਹ ਇੱਕ ਸਪੱਸ਼ਟ ਫੈਸਲੇ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ—“AOI ਤੋਂ ਬਾਅਦ ਪਰ ICT ਤੋਂ ਪਹਿਲਾਂ ਵਧੇਰੇ ਸਮੀਖਿਆ ਲਈ ਯੂਨਿਟਾਂ ਦੀ ਪਛਾਣ ਕਰੋ”—ਅਤੇ ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਤਿਆਰ ਕਰਦੀ ਹੈ ਜਿਸਦਾ ਮੁਲਾਂਕਣ ਮੌਜੂਦਾ ਪ੍ਰਦਰਸ਼ਨ ਮੈਟ੍ਰਿਕਸ ਦੇ ਅਧਾਰ 'ਤੇ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਨਿਰਮਾਤਾਵਾਂ ਲਈ ਜੋਖਮ
ਹਰ ਇੱਕ ਖਰਾਬ ਬੋਰਡ ਜੋ ਨਿਰੀਖਣ ਤੋਂ ਬਚ ਨਿਕਲ ਜਾਂਦਾ ਹੈ, ਉਸਦਾ ਮਤਲਬ ਹੈ ਬਰਬਾਦ ਹੋਏ ਕੰਪੋਨੈਂਟਸ, ਵਾਧੂ ਰੀਵਰਕ ਲੇਬਰ, ਅਤੇ ਉਤਪਾਦ ਦੀ ਲਾਂਚਿੰਗ ਵਿੱਚ ਦੇਰੀ। ਇਸ ਦੇ ਉਲਟ, ਕਿਸੇ ਸਪਲਾਇਰ ਦੇ ਬਦਲਣ ਜਾਂ ਪਲਾਂਟ ਦੀ ਤਬਦੀਲੀ ਤੋਂ ਬਾਅਦ ਜੇਕਰ ਮਾਡਲ ਵਿੱਚ ਬਦਲਾਅ (drift) ਆਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਖਰਾਬ ਕਰ ਸਕਦਾ ਹੈ। ਐਲਗੋਰਿਦਮ ਨੂੰ ਕਿਸੇ ਹੋਰ ਉਪਕਰਣ ਵਾਂਗ ਮੰਨਣਾ—ਜਿਵੇਂ ਕਿ ਕੈਲੀਬਰੇਟ ਕਰਨਾ, ਨਿਗਰਾਨੀ ਕਰਨਾ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਕਰਨਾ—ਲਾਭ ਦੇ ਪੱਖ ਵਿੱਚ ਸੰਤੁਲਨ ਬਣਾਈ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
ਗਾਈਡ ਵਿੱਚ ਦੱਸੇ ਗਏ ਅੱਠ ਪੜਾਅ
- ਇੱਕ ਵਾਕ ਵਿੱਚ ਫੈਸਲੇ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ – ਉਸ ਸਹੀ ਕਾਰਵਾਈ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਓ ਜੋ ਮਾਡਲ ਸ਼ੁਰੂ ਕਰੇਗਾ, ਉਦਾਹਰਨ ਲਈ, "AOI ਤੋਂ ਬਾਅਦ ਪਰ ICT ਤੋਂ ਪਹਿਲਾਂ ਵਧੇਰੇ ਸਮੀਖਿਆ ਲਈ ਯੂਨਿਟਾਂ ਦੀ ਪਛਾਣ ਕਰੋ।"
- ਆਪਣਾ ਬੇਸਲਾਈਨ (baseline) ਰਿਕਾਰਡ ਕਰੋ – ਮੌਜੂਦਾ FPY, ਸਕ੍ਰੈਪ ਲਾਗਤ, ਅਤੇ ਰੀਵਰਕ ਸਮੇਂ ਨੂੰ ਦਰਜ ਕਰੋ। ਇਹ ਅੰਕੜੇ AI ਦੁਆਰਾ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਸੁਧਾਰ ਲਈ ਮਾਪਦੰਡ ਬਣ ਜਾਣਗੇ।
- ਆਪਣਾ ਡੇਟਾ ਜੋੜੋ – SMT ਡੇਟਾ ਸਟ੍ਰੀਮਾਂ ਅਤੇ ਟੈਸਟ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੀਰੀਅਲ ਨੰਬਰਾਂ ਨੂੰ ਜੋੜੋ। ਪਲੇਸਮੈਂਟ ਆਫਸੈੱਟ (placement offsets), ਪੇਸਟ ਵਾਲੀਅਮ, ਅਤੇ ਰੀਫਲੋ ਟੈਂਪਰੇਚਰ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਮਾਡਲ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਮਝ ਸਕੇ।
- BOM ਇਤਿਹਾਸ ਸ਼ਾਮਲ ਕਰੋ – ਕੰਪੋਨੈਂਟ ਦੇ ਆਕਾਰ ਵਿੱਚ ਬਦਲਾਅ ਜਾਂ ਸਪਲਾਇਰਾਂ ਦੀ ਤਬਦੀਲੀ ਪਾਰਟ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ। ਹਰੇਕ ਬੋਰਡ ਨੂੰ ਉਸਦੇ bill-of-materials (BOM) ਵਰਜ਼ਨ ਨਾਲ ਟੈਗ ਕਰਨ ਨਾਲ ਮਾਡਲ ਉਹ ਬਾਰੀਕੀਆਂ ਸਿੱਖ ਸਕਦਾ ਹੈ।
- ਪ੍ਰਕਿਰਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (process features) ਡਿਜ਼ਾਈਨ ਕਰੋ – ਕਿਸੇ ਇੱਕ ਮਸ਼ੀਨ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਨਾ ਦੇਖੋ। ਅਸਲ ਜੋਖਮ ਦੇ ਕਾਰਕਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਘੱਟ ਪੇਸਟ ਵਾਲੀਅਮ ਨੂੰ ਪਲੇਸਮੈਂਟ ਆਫਸੈੱਟ, ਜਾਂ ਰੀਫਲੋ ਪ੍ਰੋਫਾਈਲ ਤਬਦੀਲੀਆਂ ਨਾਲ ਜੋੜੋ।
- ਡੇਟਾ ਨੂੰ ਸਮੇਂ ਦੇ ਅਧਾਰ 'ਤੇ ਵੰਡੋ, ਰੈਂਡਮ ਤਰੀਕੇ ਨਾਲ ਨਹੀਂ – ਰੈਂਡਮ ਵੰਡ ਟ੍ਰੇਨਿੰਗ ਵਿੱਚ ਭਵਿੱਖ ਦੀ ਜਾਣਕਾਰੀ ਲੀਕ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸਫਲਤਾ ਦੇ ਸਕੋਰ ਵਧ-ਚੜ੍ਹ ਕੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਇੱਕ ਕ੍ਰੋਨੋਲੋਜੀਕਲ (ਸਮੇਂ ਅਨੁਸਾਰ) ਵੰਡ ਅਸਲ ਦੁਨੀਆ ਦੀ ਤੈਅਤ (deployment) ਦੀ ਨਕਲ ਕਰਦੀ ਹੈ।
- ਅਸਲ ਸਥਿਤੀਆਂ ਨਾਲ ਟੈਸਟ ਕਰੋ – ਮਜ਼ਬੂਤੀ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਪ੍ਰੋਡਕਟ ਫੈਮਿਲੀਜ਼, ਮਸ਼ੀਨ ਸੈੱਟਅੱਪ, ਅਤੇ ਮਟੀਰੀਅਲ ਲੌਟਸ ਵਿੱਚ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕਰੋ।
- ਸ਼ੈਡੋ ਮੋਡ (shadow mode) ਦੀ ਵਰਤੋਂ ਕਰੋ – ਲਾਈਵ ਲਾਈਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤੇ ਬਿਨਾਂ ਉਸਦੇ ਨਾਲ-ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ (predictions) ਚਲਾਓ। ਕਿਸੇ ਵੀ ਪ੍ਰਕਿਰਿਆ ਤਬਦੀਲੀ ਨੂੰ ਅਪਣਾਉਣ ਤੋਂ ਪਹਿਲਾਂ AI ਦੀਆਂ ਚੇਤਾਵਨੀਆਂ ਦੀ ਤੁਲਨਾ ਅਸਲ ਟੈਸਟ ਨਤੀਜਿਆਂ ਨਾਲ ਕਰੋ।
AI ਨੂੰ ਮੌਜੂਦਾ ਨਿਰੀਖਣਾਂ ਨੂੰ ਬਦਲਣ ਦੀ ਬਜਾਏ ਉਹਨਾਂ ਨੂੰ ਵਧਾਉਣਾ ਚਾਹੀਦਾ ਹੈ
ਗਾਈਡ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ ਕਿ AI ਇੰਜੀਨੀਅਰਾਂ ਲਈ ਇੱਕ ਸਾਥੀ ਹੈ, ਨਾ ਕਿ SPI (