AI ਇਲੈਕਟ੍ਰਾਨਿਕਸ ਫੈਕਟਰੀਆਂ ਦੁਆਰਾ ਆਪਣੀਆਂ ਸਰਫੇਸ-ਮਾਊਂਟ ਲਾਈਨਾਂ 'ਤੇ ਫੈਂਟਮ (phantom) ਡੈਫੈਕਟਸ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਲਗਾਏ ਜਾਣ ਵਾਲੇ ਸਮੇਂ ਨੂੰ ਕਾਫੀ ਘਟਾ ਸਕਦਾ ਹੈ। ਇੱਕ ਨਵਾਂ ਸਟੈਪ-ਬਾਈ-ਸਟੈਪ ਪਲੇਬੁੱਕ ਨਿਰਮਾਤਾਵਾਂ ਨੂੰ ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਇੱਕ AI ਮਾਡਲ ਦਾ ਪਾਇਲਟ ਚਲਾਇਆ ਜਾਵੇ ਜੋ ਆਟੋਮੇਟਿਡ ਆਪਟੀਕਲ ਇੰਸਪੈਕਸ਼ਨ (AOI) ਦੇ ਫਾਲਸ ਕਾਲਜ਼ (false calls) ਨੂੰ ਰੈਂਕ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੰਸਪੈਕਟਰ ਉਹਨਾਂ ਤਸਵੀਰਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਅਸਲ ਸਮੱਸਿਆਵਾਂ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ।
AOI ਸਿਸਟਮ ਹਰ ਸੰਭਾਵੀ ਡੈਫੈਕਟ ਨੂੰ ਫਲੈਗ ਕਰਦੇ ਹਨ, ਪਰ ਜ਼ਿਆਦਾਤਰ ਅਲਰਟ ਕੰਪੋਨੈਂਟ ਦੇ ਆਕਾਰ ਜਾਂ ਸੋਲਡਰ ਫੈਲਾਅ ਵਿੱਚ ਮਾਮੂਲੀ ਵੇਰੀਏਸ਼ਨ ਕਾਰਨ ਹੁੰਦੇ ਹਨ ਜੋ ਨੁਕਸਾਨਦੇਹ ਨਹੀਂ ਹੁੰਦੇ। ਇੰਸਪੈਕਟਰ ਇਹਨਾਂ "ਫਾਲਸ ਕਾਲਜ਼" ਨੂੰ ਛਾਂਟਣ ਵਿੱਚ ਮਿੰਟਾਂ ਬਰਬਾਦ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਅਸਲ ਡੈਫੈਕਟ ਕਈ ਵਾਰ ਬਾਅਦ ਦੇ ਟੈਸਟ ਸਟੇਸ਼ਨਾਂ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦੇ ਹਨ। ਗਾਈਡ ਦਾ ਮੁੱਖ ਅਧਾਰ ਸਰਲ ਹੈ: AI ਦੀ ਵਰਤੋਂ AOI ਡੈਸੀਜ਼ਨ ਇੰਜਣ ਨੂੰ ਬਦਲਣ ਲਈ ਨਹੀਂ, ਬਲਕਿ ਇਸਦੇ ਅਲਰਟਾਂ ਨੂੰ ਦੁਬਾਰਾ ਵਿਵਸਥਿਤ ਕਰਨ ਲਈ ਕਰੋ ਤਾਂ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਵਾਲੇ ਅਲਰਟ ਪਹਿਲਾਂ ਦਿਖਾਈ ਦੇਣ।
ਇਹ ਸਮੱਸਿਆ ਹੁਣ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
SMT (ਸਰਫੇਸ-ਮਾਊਂਟ ਟੈਕਨਾਲੋਜੀ) ਲਾਈਨਾਂ ਇੰਨੀ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਨਾਲ ਚੱਲਦੀਆਂ ਹਨ ਕਿ ਮਨੁੱਖੀ ਮੁੜ-ਜਾਂਚ ਲਈ ਬਹੁਤ ਘੱਟ ਸਮਾਂ ਬਚਦਾ ਹੈ। ਜਦੋਂ ਫਾਲਸ ਕਾਲਜ਼ ਅਲਰਟ ਸਟ੍ਰੀਮ 'ਤੇ ਹਾਵੀ ਹੋ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਆਪਰੇਟਰਾਂ ਨੂੰ ਲਾਈਨ ਰੋਕਣੀ ਪੈਂਦੀ ਹੈ, ਹਰ ਤਸਵੀਰ ਦੀ ਮੈਨੂਅਲ ਤਰ੍ਹਾਂ ਪੁਸ਼ਟੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਅਤੇ ਮੁਰੰਮਤ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਨੂੰ ਲੌਗ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਇਹ ਰੁਕਾਵਟ ਲੇਬਰ ਦੀ ਲਾਗਤ ਵਧਾਉਂਦੀ ਹੈ ਅਤੇ ਥਰੂਪੁੱਟ (throughput) ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।
ਪਾਇਲਟ ਫਰੇਮਵਰਕ – ਵਿਚਾਰ ਤੋਂ ਐਸੇਟ ਤੱਕ
ਇੱਕ ਸੀਮਤ ਅਤੇ ਸੁਰੱਖਿਅਤ ਉਦੇਸ਼ ਨਿਰਧਾਰਤ ਕਰੋ ਪਾਇਲਟ ਨੂੰ ਸਿਰਫ਼ AOI ਅਲਰਟਾਂ ਨੂੰ ਰੈਂਕ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਬੋਰਡਾਂ ਨੂੰ ਆਟੋ-ਐਕਸੈਪਟ ਜਾਂ ਰਿਜੈਕਟ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ। ਫੈਸਲੇ ਨੂੰ ਮਨੁੱਖੀ ਹੱਥਾਂ ਵਿੱਚ ਰੱਖਣ ਨਾਲ ਇਹ ਯਕੀਨੀ ਬਣਦਾ ਹੈ ਕਿ ਮਾਡਲ ਚੁੱਪਚਾਪ ਕੁਆਲਿਟੀ ਵਿੱਚ ਕੋਈ ਖਾਮੀ ਨਹੀਂ ਲਿਆਵੇਗਾ।
ਇੱਕ ਬੇਸਲਾਈਨ ਸਥਾਪਤ ਕਰੋ ਕਿਸੇ ਵੀ ਮਾਡਲ ਦੁਆਰਾ ਡਾਟਾ ਵਰਤਣ ਤੋਂ ਪਹਿਲਾਂ, ਮੌਜੂਦਾ ਮੈਟ੍ਰਿਕਸ ਰਿਕਾਰਡ ਕਰੋ: ਫਾਲਸ-ਕਾਲ ਰੇਟ, ਪ੍ਰਤੀ ਬੋਰਡ ਔਸਤ ਨਿਰੀਖਣ ਸਮਾਂ, ਡੈਫੈਕਟ ਐਸਕੇਪ ਰੇਟ, ਅਤੇ FPY। ਸੁਧਾਰ ਦੇ ਮਾਪਦੰਡ ਵਜੋਂ ਇਹਨਾਂ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਡੂੰਘਾ ਅਤੇ ਲਿੰਕ ਕੀਤਾ ਹੋਇਆ ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ AOI ਤਸਵੀਰਾਂ ਦੇ ਨਾਲ ਇੰਸਪੈਕਟਰ ਦਾ ਫੈਸਲਾ, ਅਸਾਈਨ ਕੀਤਾ ਗਿਆ ਰਿਪੇਅਰ ਕੋਡ, ਅੰਤਿਮ ਟੈਸਟ ਨਤੀਜੇ, ਅਤੇ ਹੋਰ ਜਾਣਕਾਰੀ ਜਿਵੇਂ ਕਿ ਸੀਰੀਅਲ ਨੰਬਰ, ਟਾਈਮਸਟੈਂਪ, ਅਤੇ ਮਸ਼ੀਨ ਰੈਸਿਪੀ ਇਕੱਠੀਆਂ ਕਰੋ। ਡਾਟਾ ਸੈੱਟ ਜਿੰਨਾ ਅਮੀਰ ਹੋਵੇਗਾ, ਮਾਡਲ ਉਨਾ ਹੀ ਸਟੀਕ ਬਣੇਗਾ।
ਡਾਟਾ ਕੰਟੈਮੀਨੇਸ਼ਨ ਤੋਂ ਬਚੋ ਇੰਜੀਨੀਅਰਿੰਗ ਚੇਂਜ ਆਰਡਰਜ਼ (ECOs) ਅਕਸਰ ਕੰਪੋਨੈਂਟ ਫੁੱਟਪ੍ਰਿੰਟਸ ਜਾਂ ਪੈਡ ਪੈਟਰਨਾਂ ਨੂੰ ਬਦਲ ਦਿੰਦੇ ਹਨ। ECO ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ECO ਤੋਂ ਬਾਅਦ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਮਿਲਾਉਣ ਨਾਲ ਮਾਡਲ ਉਲਝ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਗਲਤ ਭਵਿੱਖਬਾਣੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਡਾਟਾ ਨੂੰ ਰਿਵੀਜ਼ਨ ਜਾਂ ਬਦਲਾਅ ਦੀ ਮਿਤੀ ਦੁਆਰਾ ਵੱਖ ਕਰੋ।
ਅਰਥਪੂਰਨ ਲੇਬਲ ਲਗਾਓ ਸਿਰਫ਼ "ਡੈਫੈਕਟ / ਕੋਈ ਡੈਫੈਕਟ ਨਹੀਂ" ਦੀ ਬਜਾਏ, "ਰਿਵਰਕ ਦੀ ਲੋੜ ਹੈ," "ਇੰਜੀਨੀਅਰਿੰਗ ਰਿਵਿਊ ਦੀ ਲੋੜ ਹੈ," ਜਾਂ "ਸਵੀਕਾਰਯੋਗ ਵੇਰੀਏਸ਼ਨ" ਵਰਗੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਵਿਸਤ੍ਰਿਤ ਲੇਬਲ ਮਾਡਲ ਨੂੰ ਹਰ ਅਲਰਟ ਦੀ ਗੰਭੀਰਤਾ ਬਾਰੇ ਸਪੱਸ਼ਟ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ।
ਡਾਟਾ ਨੂੰ ਸਹੀ ਤਰੀਕੇ ਨਾਲ ਵੰਡੋ ਰਿਕਾਰਡਾਂ ਨੂੰ ਟ੍ਰੇਨਿੰਗ ਅਤੇ ਟੈਸਟ ਸੈੱਟਾਂ ਵਿੱਚ ਰੈਂਡਮਲੀ ਸ਼ਫਲ ਕਰਨ ਨਾਲ ਮਾਡਲ ਅਸਲ ਉਤਪਾਦਨ ਨਾਲੋਂ ਬਿਹਤਰ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ। ਸਮੇਂ ਦੇ ਅਨੁਸਾਰ ਜਾਂ ਉਤਪਾਦ ਰਿਵੀਜ਼ਨ ਦੁਆਰਾ ਵੰਡੋ ਤਾਂ ਜੋ ਟੈਸਟ ਸੈੱਟ ਅਸਲ ਵਿੱਚ ਅਣਦੇਖੇ ਭਵਿੱਖ ਦੇ ਡਾਟਾ ਨੂੰ ਦਰਸਾ ਸਕੇ।
ਅਸਲ ਦੁਨੀਆ ਦੇ ਉਪਯੋਗ ਦੇ ਵਿਰੁੱਧ ਪੁਸ਼ਟੀ ਕਰੋ ਟ੍ਰੇਨਿੰਗ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਵੈਲੀਡੇਸ਼ਨ ਬੈਚ ਨੂੰ ਰੈਂਕ ਕਰੋ ਅਤੇ ਮਾਪੋ ਕਿ ਕਿੰਨੇ ਅਸਲ ਡੈਫੈਕਟਸ ਲਿਸਟ ਦੇ ਉਪਰਲੇ 20% ਵਿੱਚ ਆਉਂਦੇ ਹਨ। ਜੇਕਰ ਮਾਡਲ ਜ਼ਿਆਦਾਤਰ ਅਸਲ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਜਲਦੀ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਨਿਯੰਤਰਿਤ ਰੋਲਆਊਟ ਲਈ ਤਿਆਰ ਹੈ।
ਮਾਡਲ ਨੂੰ ਇੱਕ ਪ੍ਰੋਡਕਸ਼ਨ ਐਸੇਟ ਵਜੋਂ ਮੰਨੋ ਹਰ ਵਰਜ਼ਨ, ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਸੈੱਟ, ਅਤੇ ਹਾਈਪਰ-ਪੈਰਾਮੀਟਰ ਤਬਦੀਲੀ ਨੂੰ ਉਸੇ ਚੇਂਜ-ਕੰਟਰੋਲ ਸਿਸਟਮ ਵਿੱਚ ਲੌਗ ਕਰੋ ਜੋ ਹਾਰਡਵੇਅਰ ਰਿਵੀਜ਼ਨਾਂ ਨੂੰ ਟ੍ਰੈਕ ਕਰਦਾ ਹੈ। ਇਹ ਆਡਿਟ ਟ੍ਰੇਲ ਤੁਹਾਨੂੰ ਭਰੋਸੇ ਨਾਲ ਮਾਡਲ ਨੂੰ ਰੋਲ ਬੈਕ ਕਰਨ ਜਾਂ ਅਪਡੇਟ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ।
ਸਾਈਡ-ਬਾਈ-ਸਾਈਡ ਚਲਾਓ, ਬਦਲੋ ਨਾ AI ਰੈਂਕਿੰਗ ਇੰਜਣ ਨੂੰ ਮੌਜੂਦਾ ਨਿਰੀਖਣ ਪ੍ਰਕਿਰਿਆ ਦੇ ਨਾਲ-ਨਾਲ ਚਲਾਓ। ਕਿਸੇ ਵੀ ਸਵੀਕ੍ਰਿਤੀ ਮਾਪਦੰਡ ਨੂੰ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਕਈ ਹਫ਼ਤਿਆਂ ਤੱਕ ਇਸਦੀਆਂ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਤੁਲਨਾ ਮਨੁੱਖੀ ਇੰਸਪੈਕਟਰ ਦੇ ਫੈਸਲਿਆਂ ਅਤੇ ਅੰਤਿਮ ਟੈਸਟ ਨਤੀਜਿਆਂ ਨਾਲ ਕਰੋ।
ਸਕੇਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਦੁਹਰਾਓ ਇੱਕ ਸਫਲ ਪਾਇਲਟ ਇੱਕ ਨਿਯੰਤਰਿਤ ਪ੍ਰਕਿਰਿਆ ਤਬਦੀਲੀ ਹੈ, ਕੋਈ ਅਣਵਿਚਾਰਤ ਪ੍ਰਯੋਗ ਨਹੀਂ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਮਾਡਲ ਲਗਾਤਾਰ ਬੇਸਲਾਈਨ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸ ਵਿਧੀ ਨੂੰ ਹੋਰ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਜਿਵੇਂ ਕਿ ਪ੍ਰੈਡਿਕਟਿਵ ਮੇਨਟੇਨੈਂਸ ਜਾਂ ਸਪਲਾਇਰ ਕੁਆਲਿਟੀ ਲਈ ਦੁਬਾਰਾ ਵਰਤੋ।
ਜੋਖਮ ਅਤੇ ਵਿਰੋਧੀ ਨੁਕਤੇ
- ਡਾਟਾ ਕੁਆਲਿਟੀ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ – ਅਧੂਰੇ ਟਾਈਮਸਟੈਂਪ ਜਾਂ ਗੁੰਮ ਹੋਏ ਰਿਪੇਅਰ ਕੋਡ ਇੱਕ ਅਸਫਲ ਮਾਡਲ ਪੈਦਾ ਕਰਨਗੇ। ਇੱਕ ਅਨੁਸ਼ਾਸਿਤ ਡਾਟਾ-ਕਲੈਕਸ਼ਨ ਰੁਟੀਨ ਲਾਜ਼ਮੀ ਹੈ।
- ਮਾਡਲ ਡ੍ਰਿਫਟ (Model drift) – ਨਵੇਂ ਕੰਪੋਨੈਂਟਸ "ਨਾਰਮਲ" ਤਸਵੀਰਾਂ ਦੇ ਅੰਕੜਾ ਪ੍ਰੋਫਾਈਲ ਨੂੰ ਬਦਲ ਦਿੰਦੇ ਹਨ। ਉਹੀ ਚੇਂਜ-ਕੰਟਰੋਲ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਅਗਵਾਈ ਕੀਤੀ ਰੈਗੂਲਰ ਰੀ-ਟ੍ਰੇਨਿੰਗ ਡ੍ਰਿਫਟ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।
- ਮਨੁੱਖੀ ਥਕਾਵਟ (Human-in-the-loop fatigue) – ਅਲਰਟਾਂ ਦੀ ਰੈਂਕਿੰਗ ਲਈ ਅਜੇ ਵੀ ਇੰਸਪੈਕਟਰਾਂ ਨੂੰ ਕਈ ਤਸਵੀਰਾਂ ਦੀ ਜਾਂਚ ਕਰਨੀ ਪੈਂਦੀ ਹੈ। ਜੇਕਰ ਰੈਂਕਿੰਗ ਅਸਲ ਡੈਫੈਕਟਸ ਨੂੰ ਸ਼ੋਰ (noise) ਤੋਂ ਵੱਖ ਨਹੀਂ ਕਰਦੀ ਹੈ, ਤਾਂ ਉਮੀਦ ਕੀਤਾ ਗਿਆ ਸਮਾਂ ਬਚਾਅ ਖਤਮ ਹੋ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਤੀ ਬੋਰਡ ਨਿਰੀਖਣ ਸਮੇਂ ਦੀ ਲਗਾਤਾਰ ਨਿਗਰਾਨੀ ਕਰੋ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ
ਜੋ ਨਿਰਮਾਤਾ AOI-ਰੈਂਕਿੰਗ ਪਾਇਲਟ ਵਿੱਚ ਸਫਲ ਹੁੰਦੇ ਹਨ, ਉਹ ਇਸ ਪੈਟਰਨ ਨੂੰ ਹੋਰ ਵਰਤੋਂ ਦੇ ਮਾਮਲਿਆਂ ਜਿਵੇਂ ਕਿ ਪ੍ਰੈਡਿਕਟਿਵ ਮੇਨਟੇਨੈਂਸ ਜਾਂ ਸਪਲਾਇਰ ਕੁਆਲਿਟੀ ਤੱਕ ਵਧਾ ਸਕਦੇ ਹਨ।
ਮੁੱਖ ਨੁਕਤਾ: AI ਸਿਰਫ਼ ਉਦੋਂ ਹੀ SMT ਲਾਈਨ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ ਜਦੋਂ ਇਹ ਸਾਫ਼, version-controlled ਡੇਟਾ 'ਤੇ ਅਧਾਰਤ ਅਤੇ ਅਸਲ ਨੁਕਸਾਂ ਦੇ ਵਾਪਰਨ ਦੇ ਅਧਾਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਇੱਕ ranked-alert ਸਿਸਟਮ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ। ਮਾਡਲ ਨੂੰ ਇੱਕ ਵਾਰ ਦੇ demo ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ production asset ਵਜੋਂ ਮੰਨੋ, ਅਤੇ ਇਸਦਾ ਫਲ ਇੱਕ ਦੁਹਰਾਉਣਯੋਗ ਫਾਇਦਾ ਬਣ ਜਾਵੇਗਾ।