மின்னணுவியல் தொழிற்சாலைகள் தங்கள் மேற்பரப்பு-மவுண்ட் (surface-mount) வரிகளில் மாயக் குறைபாடுகளைத் (phantom defects) தேடிச் செலவிடும் நேரத்தை AI பெருமளவு குறைக்க முடியும். தானியங்கி ஒளி ஆய்வில் (Automated Optical Inspection - AOI) வரும் தவறான எச்சரிக்கைகளை (false calls) வரிசைப்படுத்தும் ஒரு AI மாதிரியை எவ்வாறு முன்னோடித் திட்டமாக (pilot) செயல்படுத்துவது என்பதைக் காட்டும் புதிய வழிமுறை ஒன்று உற்பத்தியாளர்களுக்குத் தெரியப்படுத்தப்பட்டுள்ளது. இதன் மூலம் ஆய்வாளர்கள் உண்மையான சிக்கல்களைக் கொண்டிருக்க வாய்ப்புள்ள படிகளில் மட்டும் கவனம் செலுத்த முடியும்.
AOI அமைப்புகள் ஒவ்வொரு சாத்தியமான குறைபாட்டையும் சுட்டிக்காட்டுகின்றன, ஆனால் பெரும்பாலான எச்சரிக்கைகள் கூறுகளின் வடிவம் அல்லது சால்டர் பரவல் ஆகியவற்றில் ஏற்படும் பாதிப்பற்ற மாற்றங்களே ஆகும். ஆய்வாளர்கள் இந்த "தவறான எச்சரிக்கைகளை" (false calls) வகைப்படுத்துவதில் நேரத்தை வீணடிக்கின்றனர், அதே நேரத்தில் உண்மையான குறைபாடுகள் சில நேரங்களில் அடுத்தடுத்த சோதனை நிலையங்களுக்குத் தப்பித்துச் சென்றுவிடுகின்றன. இந்த வழிகாட்டியின் முக்கியக் கருத்து எளிமையானது: AOI முடிவெடுக்கும் இயந்திரத்திற்குப் பதிலாக AI-ஐப் பயன்படுத்தாமல், அதன் எச்சரிக்கைகளை மாற்றி வரிசைப்படுத்தப் பயன்படுத்துவதே இதன் நோக்கம்; இதன் மூலம் அதிக ஆபத்துள்ள எச்சரிக்கைகள் முதலில் தோன்றும்.
ஏன் இந்தத் பிரச்சனை இப்போது முக்கியமானது
SMT (Surface-Mount Technology) வரிகள் மனித மறுஆய்வுக்கு (re-inspection) மிகக் குறைந்த நேரமே வழங்கும் வேகத்தில் இயங்குகின்றன. தவறான எச்சரிக்கைகள் அதிகமாக வரும்போது, ஆபரேட்டர்கள் உற்பத்திப் பாதையை நிறுத்த வேண்டியுள்ளது, ஒவ்வொரு படத்தையும் கைமுறையாகச் சரிபார்க்க வேண்டும் மற்றும் பழுதுபார்க்கும் நடவடிக்கைகளைப் பதிவு செய்ய வேண்டும். இந்தத் தடை உற்பத்திச் செலவை அதிகரிப்பதோடு, உற்பத்தித் திறனையும் (throughput) குறைக்கிறது.
முன்னோடி கட்டமைப்பு – யோசனையிலிருந்து சொத்து வரை
குறுகிய, பாதுகாப்பான இலக்கை வரையறுக்கவும் இந்த முன்னோடித் திட்டம் AOI எச்சரிக்கைகளை வரிசைப்படுத்த மட்டுமே இருக்க வேண்டும், போர்டுகளைத் தானாகவே ஏற்கவோ அல்லது நிராகரிக்கவோ கூடாது. முடிவெடுக்கும் அதிகாரத்தை மனிதர்களின் கையில் வைத்திருப்பது, மாடல் தற்செயலாகத் தரக் குறைபாடுகளை ஏற்படுத்தாமல் இருப்பதை உறுதி செய்கிறது.
ஒரு அடிப்படை அளவீட்டை (baseline) நிலைநிறுத்தவும் எந்தவொரு மாடலும் தரவுகளைத் தொடங்குவதற்கு முன், தற்போதைய அளவீடுகளைப் பதிவு செய்யவும்: தவறான எச்சரிக்கை விகிதம் (false-call rate), ஒரு போர்டுக்கான சராசரி ஆய்வு நேரம், குறைபாடுகள் தப்பிச் செல்லும் விகிதம் (defect escape rate) மற்றும் FPY. முன்னேற்றத்தைக் கணக்கிட இந்த எண்களை அளவுகோலாகப் பயன்படுத்தவும்.
விரிவான, இணைக்கப்பட்ட தரவுகளைச் சேகரிக்கவும் AOI படங்களுடன் ஆய்வாளரின் தீர்ப்பு, ஒதுக்கப்பட்ட பழுதுபார்ப்பு குறியீடு (repair code), இறுதி சோதனை முடிவுகள் மற்றும் சீரியல் எண், நேர முத்திரை (timestamp) மற்றும் இயந்திர ரெசிபி (machine recipe) போன்ற சூழல் தரவுகளையும் சேர்த்துச் சேகரிக்கவும். தரவுத் தொகுப்பு எவ்வளவு விரிவாக இருக்கிறதோ, அவ்வளவு நுணுக்கமாக மாடல் செயல்படும்.
தரவுத் தூய்மையைப் பாதுகாக்கவும் பொறியியல் மாற்றக் கட்டளைகள் (Engineering Change Orders - ECOs) பெரும்பாலும் கூறுகளின் வடிவத்தையோ அல்லது பேட் பேட்டர்ன்களையோ (pad patterns) மாற்றக்கூடும். ECO-க்கு முந்தைய மற்றும் பிந்தைய படங்களை ஒன்றாகக் கலப்பது மாடலைத் குழப்பமடையச் செய்து, தவறான கணிப்புகளுக்கு வழிவகுக்கும். தரவை திருத்தம் அல்லது மாற்றத்தின் தேதியின் அடிப்படையில் பிரிக்கவும்.
அர்த்தமுள்ள லேபிள்களைப் பயன்படுத்தவும் "குறைபாடு / குறைபாடு இல்லை" என்ற இருமுனை வகைப்பாட்டிற்குப் பதிலாக, "பழுதுபார்ப்பு தேவை" (rework required), "பொறியியல் ஆய்வு தேவை" (engineering review needed) அல்லது "ஏற்கத்தக்க மாற்றம்" (acceptable variation) போன்ற வகைகளைப் பயன்படுத்தவும். நுணுக்கமான லேபிள்கள் ஒவ்வொரு எச்சரிக்கையின் தீவிரத்தைப் பற்றிய தெளிவான சமிக்ஞைகளை மாடலுக்கு வழங்கும்.
தரவைச் சரியான முறையில் பிரிக்கவும் பதிவுகளைத் தன்னிச்சையாகப் பயிற்சி (training) மற்றும் சோதனை (test) தொகுப்புகளாகப் பிரிப்பது, மாடல் உற்பத்தியில் செயல்படும்போது காட்டப்படுபதை விடச் சிறப்பாகத் தெரியச் செய்யலாம். சோதனைத் தொகுப்பு எதிர்காலத் தரவைப் பிரதிபலிக்கிறதா என்பதை உறுதி செய்ய, கால இடைவெளி அல்லது தயாரிப்பு திருத்தத்தின் (product revision) அடிப்படையில் தரவைப் பிரிக்கவும்.
நிஜ உலகப் பயன்பாட்டுடன் சரிபார்க்கவும் பயிற்சிக்குப் பிறகு, ஒரு சரிபார்ப்புத் தொகுப்பை (validation batch) வரிசைப்படுத்தி, எத்தனை உண்மையான குறைபாடுகள் பட்டியலின் முதல் 20% இல் உள்ளன என்பதை அளவிடவும். மாடல் பெரும்பாலான உண்மையான சிக்கல்களை முன்கூட்டியே கண்டறிந்துவிட்டால், அது கட்டுப்பாட்டு முறையில் பயன்பாட்டிற்குத் தயாராக உள்ளது என்று அர்த்தம்.
மாடலை ஒரு உற்பத்திச் சொத்தாகக் கருதவும் ஹார்டுவேர் திருத்தங்களைக் கண்காணிக்கும் அதே மாற்றக் கட்டுப்பாட்டு அமைப்பில் (change-control system), ஒவ்வொரு பதிப்பு (version), பயிற்சித் தரவுத் தொகுப்பு மற்றும் ஹைப்பர்-பாராமீட்டர் (hyper-parameter) மாற்றங்களையும் பதிவு செய்யவும். இந்தத் தணிக்கைப் பாதை (audit trail) நீங்கள் நம்பிக்கையுடன் மாடலை மாற்றியமைக்க அல்லது புதுப்பிக்க உதவும்.
மாற்றாமல், அருகருகே இயக்கவும் தற்போதுள்ள ஆய்வு ஓட்டத்துடன் இணையாக AI வரிசைப்படுத்தும் இயந்திரத்தை இயக்கவும். எந்தவொரு ஏற்பு அளவுகோலையும் (acceptance criteria) மாற்றுவதற்கு முன், சில வாரங்களுக்கு அதன் பரிந்துரைகளை மனித ஆய்வாளரின் முடிவுகள் மற்றும் இறுதி சோதனை முடிவுகளுடன் ஒப்பிட்டுப் பார்க்கவும்.
விரிவாக்கும் முன் மீண்டும் மீண்டும் மேம்படுத்தவும் ஒரு வெற்றிகரமான முன்னோடித் திட்டம் என்பது ஒரு கட்டுப்பாட்டு செயல்முறை மாற்றம், அது முடிவில்லாத சோதனை அல்ல. மாடல் தொடர்ந்து அடிப்படை அளவீடுகளை மேம்படுத்தும்போது, அந்த முறையை முன்கூட்டியே பராமரிப்பு (predictive maintenance) அல்லது விநியோகஸ்தர் தரம் (supplier quality) போன்ற பிற பயன்பாடுகளுக்குப் பயன்படுத்தவும்.
அபாயங்கள் மற்றும் மறுப்புப் புள்ளிகள்
- தரத்தின் முக்கியத்துவம் – முழுமையற்ற நேர முத்திரைகள் அல்லது விடுபட்ட பழுதுபார்ப்பு குறியீடுகள், சரியாகச் செயல்படாத ஒரு மாடலை உருவாக்கும். ஒழுக்கமான தரவுச் சேகரிப்பு முறை மிகவும் அவசியம்.
- மாடல் விலகல் (Model drift) – புதிய கூறுகள் "சாதாரண" படங்களின் புள்ளிவிவரத் தன்மையை மாற்றக்கூடும். முறையான மாற்றக் கட்டுப்பாட்டு செயல்முறையின் மூலம் அவ்வப்போது மாடலைப் பயிற்றுவிப்பது இந்த விலகலைக் குறைக்க உதவும்.
- மனிதர்களின் சோர்வு (Human-in-the-loop fatigue) – எச்சரிக்கைகளை வரிசைப்படுத்துவதற்கும் ஆய்வாளர்கள் பல படங்களை ஆய்வு செய்ய வேண்டியிருக்கும். வரிசைப்படுத்துதல் உண்மையான குறைபாடுகளை இரைச்சலில் (noise) இருந்து பிரிக்கவில்லை என்றால், எதிர்பார்க்கப்படும் நேர சேமிப்பு கிடைக்காது. ஒரு போர்டுக்கான ஆய்வு நேரத்தைத் தொடர்ந்து கண்காணிக்கவும்.
அடுத்து எதைக் கவனிக்க வேண்டும்
AOI-வரிசைப்படுத்தும் முன்னோடித் திட்டத்தை வெற்றிகரமாகச் செயல்படுத்தும் உற்பத்தியாளர்கள், அந்த முறையை முன்கூட்டியே பராமரிப்பு அல்லது விநியோகஸ்தர் தரம் போன்ற பிற பயன்பாடுகளுக்கும் விரிவுபடுத்த முடியும்.
முக்கியக் கருத்து: சுத்தமான, பதிப்பு-கட்டுப்பாட்டு தரவுகளில் கட்டமைக்கப்பட்ட மற்றும் உண்மையான குறைபாடுகளின் அடிப்படையில் சரிபார்க்கப்பட்ட ஒரு தரவரிசைப்படுத்தப்பட்ட எச்சரிக்கை அமைப்பை AI மேலடுக்கு செய்யும் போது மட்டுமே, அது SMT வரித் திறனை மேம்படுத்துகிறது. இந்த மாதிரியை ஒரு முறை மட்டும் காட்டும் டெமோவாகப் பார்க்காமல், ஒரு உற்பத்திச் சொத்தாகக் கருதினால், அதன் பலன் ஒரு தொடர்ச்சியான நன்மையாக மாறும்.