ఎలక్ట్రానిక్స్ ఫ్యాక్టరీలు తమ సర్ఫేస్-మౌంట్ లైన్లలో కనిపించే అవాస్తవ లోపాలను (phantom defects) వెతకడానికి వెచ్చించే సమయాన్ని AI గణనీయంగా తగ్గించగలదు. AOI తప్పుడు హెచ్చరికలను (false calls) ర్యాంక్ చేసే AI మోడల్ను ఎలా పైలట్ చేయాలో ఒక కొత్త స్టెప్-బై-స్టెప్ ప్లేబుక్ తయారీదారులకు చూపుతుంది. దీనివల్ల ఇన్స్పెక్టర్లు నిజమైన సమస్యలు ఉండే చిత్రాలపై మాత్రమే దృష్టి పెట్టగలరు.
AOI వ్యవస్థలు ప్రతి సంభావ్య లోపాన్ని గుర్తించి హెచ్చరిస్తాయి, కానీ చాలా హెచ్చరికలు కాంపోనెంట్ ఆకారం లేదా సోల్డర్ వ్యాప్తిలో ఉండే సాధారణ మార్పులు మాత్రమే అని తేలుతుంది. ఇన్స్పెక్టర్లు ఈ "తప్పుడు హెచ్చరికలను" (false calls) వేరు చేయడానికి సమయాన్ని వృధా చేస్తారు, అదే సమయంలో నిజమైన లోపాలు కొన్నిసార్లు తర్వాతి టెస్ట్ స్టేషన్ల వరకు వెళ్ళిపోవచ్చు. ఈ గైడ్ యొక్క ప్రధాన ఉద్దేశ్యం సరళమైనది: AOI నిర్ణయ యంత్రాంగాన్ని (decision engine) భర్తీ చేయడానికి కాకుండా, దాని హెచ్చరికలను తిరిగి క్రమబద్ధీకరించడానికి (reorder) AIని ఉపయోగించడం, తద్వారా అత్యంత ప్రమాదకరమైన హెచ్చరికలు మొదట కనిపిస్తాయి.
Why the problem matters now
SMT (Surface-Mount Technology) లైన్లు ఎంత వేగంగా నడుస్తాయంటే, మనుషులు మళ్ళీ తనిఖీ చేయడానికి (re-inspection) సమయం ఉండదు. తప్పుడు హెచ్చరికలు ఎక్కువగా ఉన్నప్పుడు, ఆపరేటర్లు లైన్ను ఆపి, ప్రతి చిత్రాన్ని మాన్యువల్గా తనిఖీ చేసి, రిపేర్ చర్యలను నమోదు చేయాల్సి ఉంటుంది. ఈ అడ్డంకి (bottleneck) లేబర్ ఖర్చులను పెంచుతుంది మరియు ఉత్పత్తి సామర్థ్యాన్ని (throughput) తగ్గిస్తుంది.
The pilot framework – from idea to asset
పరిమితమైన, సురక్షితమైన లక్ష్యాన్ని నిర్వచించండి పైలట్ కేవలం AOI హెచ్చరికలను మాత్రమే ర్యాంక్ చేయాలి, బోర్డులను ఆటోమేటిక్గా అంగీకరించడం లేదా తిరస్కరించడం చేయకూడదు. నిర్ణయం మనుషుల చేతుల్లోనే ఉంచడం వల్ల, మోడల్ తెలియకుండా నాణ్యత లోపాన్ని సృష్టించకుండా నిరోధించవచ్చు.
బేస్లైన్ను ఏర్పాటు చేయండి డేటాను ఉపయోగించే ముందు, ప్రస్తుత మెట్రిక్స్ను నమోదు చేయండి: false-call rate, బోర్డుకు సగటు తనిఖీ సమయం, defect escape rate, మరియు FPY. మెరుగుదలను కొలవడానికి ఈ సంఖ్యలను కొలమానంగా ఉపయోగించండి.
సమగ్రమైన, లింక్ చేయబడిన డేటాను సేకరించండి AOI చిత్రాలతో పాటు ఇన్స్పెక్టర్ యొక్క తీర్పు, కేటాయించిన రిపేర్ కోడ్, తుది పరీక్ష ఫలితాలు మరియు సీరియల్ నంబర్, టైమ్స్టాంప్, మెషిన్ రెసిపీ వంటి వివరాలను సేకరించండి. డేటా సెట్ ఎంత సమగ్రంగా ఉంటే, మోడల్ అంత ఖచ్చితంగా పనిచేస్తుంది.
డేటా కలుషితం కాకుండా జాగ్రత్త వహించండి ఇంజనీరింగ్ చేంజ్ ఆర్డర్స్ (ECOs) తరచుగా కాంపోనెంట్ ఫుట్ప్రింట్లు లేదా ప్యాడ్ ప్యాటర్న్లను మారుస్తాయి. ECOకి ముందు మరియు తర్వాత ఉన్న చిత్రాలను కలిపి వాడటం వల్ల మోడల్ అయోమయానికి గురై, తప్పుడు అంచనాలు వేస్తుంది. డేటాను రివిజన్ లేదా మార్పు జరిగిన తేదీ ఆధారంగా విభజించండి.
అర్థవంతమైన లేబుల్స్ను ఉపయోగించండి కేవలం "లోపం / లోపం లేదు" అని కాకుండా, "rework అవసరం," "ఇంజనీరింగ్ రివ్యూ అవసరం," లేదా "అంగీకరించదగిన మార్పు" వంటి వర్గాలను ఉపయోగించండి. ఈ వివరణాత్మక లేబుల్స్ ప్రతి హెచ్చరిక యొక్క తీవ్రత గురించి మోడల్కు స్పష్టమైన సంకేతాలను ఇస్తాయి.
డేటాను సరైన పద్ధతిలో విభజించండి రికార్డులను ట్రైనింగ్ మరియు టెస్ట్ సెట్లుగా యాదృచ్ఛికంగా (randomly) విభజించడం వల్ల మోడల్ వాస్తవ ఉత్పత్తిలో కంటే మెరుగ్గా ఉన్నట్లు అనిపించవచ్చు. టెస్ట్ సెట్ భవిష్యత్తులో వచ్చే డేటాను ప్రతిబింబించేలా ఉండటానికి, సమయ విండో లేదా ఉత్పత్తి రివిజన్ ఆధారంగా విభజించండి.
నిజ ప్రపంచ వినియోగంతో ధృవీకరించండి ట్రైనింగ్ తర్వాత, ఒక వాలిడేషన్ బ్యాచ్ను ర్యాంక్ చేసి, ఎన్ని నిజమైన లోపాలు జాబితాలోని మొదటి 20% లో ఉన్నాయో కొలవండి. మోడల్ నిజమైన సమస్యలను ముందుగానే గుర్తిస్తే, దానిని నియంత్రిత పద్ధతిలో అమలు చేయవచ్చు.
మోడల్ను ఒక ప్రొడక్షన్ అసెట్గా పరిగణించండి హార్డ్వేర్ రివిజన్లను ట్రాక్ చేసే విధంగానే ప్రతి వెర్షన్, ట్రైనింగ్ డేటా సెట్ మరియు హైపర్-పారామీటర్ మార్పులను కూడా లాగ్ చేయండి. ఈ ఆడిట్ ట్రయల్ ద్వారా మీరు మోడల్ను నమ్మకంతో అప్డేట్ చేయవచ్చు లేదా పాత వెర్షన్కు వెనక్కి వెళ్ళవచ్చు.
పక్కపక్కనే నడపండి, భర్తీ చేయకండి AI ర్యాంకింగ్ ఇంజిన్ను ప్రస్తుత తనిఖీ ప్రక్రియతో సమాంతరంగా (parallel) అమలు చేయండి. ఏ అంగీకార ప్రమాణాలను మార్చడానికి ముందు, కొన్ని వారాల పాటు దాని సిఫార్సులను ఇన్స్పెక్టర్ నిర్ణయాలతో మరియు తుది పరీక్ష ఫలితాలతో పోల్చి చూడండి.
వ్యాప్తి చేసే ముందు పునరావృతం (Iterate) చేయండి విజయవంతమైన పైలట్ అనేది ఒక నియంత్రిత ప్రక్రియ మార్పు, అది కేవలం ఒక ప్రయోగం కాదు. మోడల్ స్థిరంగా బేస్లైన్ మెట్రిక్స్ను మెరుగుపరుస్తున్నప్పుడు, అదే పద్ధతిని ప్రిడిక్టివ్ మెయింటెనెన్స్ లేదా సప్లయర్ క్వాలిటీ వంటి ఇతర అవసరాలకు ఉపయోగించండి.
Risks and counter-points
- డేటా నాణ్యతే ముఖ్యం – అసంపూర్తిగా ఉన్న టైమ్స్టాంప్లు లేదా రిపేర్ కోడ్లు లేకపోవడం వల్ల మోడల్ సరిగ్గా పనిచేయదు. క్రమబద్ధమైన డేటా సేకరణ విధానం తప్పనిసరి.
- మోడల్ డ్రిఫ్ట్ (Model drift) – కొత్త కాంపోనెంట్లు "సాధారణ" చిత్రాల గణాంకాలను మారుస్తాయి. క్రమబద్ధమైన రీట్రైనింగ్ ద్వారా దీనిని నివారించవచ్చు.
- హ్యూమన్-ఇన్-ది-లూప్ అలసట (Human-in-the-loop fatigue) – హెచ్చరికలను ర్యాంక్ చేయడం వల్ల ఇన్స్పెక్టర్లు ఇంకా చాలా చిత్రాలను చూడాల్సి ఉంటుంది. ర్యాంకింగ్ నిజమైన లోపాలను శబ్దాల (noise) నుండి వేరు చేయలేకపోతే, సమయం ఆదా కాకపోవచ్చు. బోర్డుకు పట్టే తనిఖీ సమయాన్ని నిరంతరం పర్యవేక్షించండి.
What to watch next
AOI-ర్యాంకింగ్ పైలట్లో విజయం సాధించిన తయారీదారులు, ఆ పద్ధతిని ప్రిడిక్టివ్ మెయింటెనెన్స్ లేదా సప్లయర్ క్వాలిటీ వంటి ఇతర రంగాలకు కూడా విస్తరించవచ్చు.
ముఖ్య అంశం: AI అనేది స్వచ్ఛమైన, వెర్షన్-కంట్రోల్ చేయబడిన డేటాపై ఆధారపడి, వాస్తవ లోపాల సంభవనతో సరిచూడబడిన (validated) ఒక ర్యాంక్ చేయబడిన అలర్ట్ సిస్టమ్ను కలిగి ఉన్నప్పుడు మాత్రమే SMT లైన్ సామర్థ్యాన్ని మెరుగుపరుస్తుంది. మోడల్ను కేవలం ఒకసారి చూపే డెమోలా కాకుండా, ఒక ప్రొడక్షన్ అసెట్గా పరిగణించండి, అప్పుడు దాని వల్ల కలిగే ప్రయోజనం ఒక పునరావృతమయ్యే ప్రయోజనంగా మారుతుంది.