سطح پر نصب ٹیکنالوجی (SMT) لائن پر AI کے استعمال کے لیے ایک مرحلہ وار گائیڈ شائع کی گئی ہے، جو مینوفیکچررز کو یہ دکھاتی ہے کہ کس طرح پیداوار کے ایک واحد مسئلے کو پیداواری شرح (yield) میں پیمائش کے قابل اضافے میں بدلا جا سکتا ہے۔
الیکٹرانکس فیکٹریوں میں AI پروجیکٹس کیوں رک جاتے ہیں
الیکٹرانکس بنانے والے برسوں سے مشین لرننگ کے جوش و خروش کے پیچھے بھاگ رہے ہیں، اور اکثر ایسے ڈیٹا پر ماڈلز کی تربیت کرتے ہیں جس کا حقیقی لاگت یا معیار کے مسائل سے کوئی تعلق نہیں ہوتا۔ اس کا نتیجہ 'پروف آف کانسیپٹ' (proofs of concept) کے ڈھیر کی صورت میں نکلتا ہے جو سرورز پر پڑے رہتے ہیں جبکہ ورک فلور اب بھی کم فرسٹ پاس ییلڈ (FPY) اور زیادہ اسکریپ ریٹس (scrap rates) کے ساتھ جدوجہد کر رہا ہوتا ہے۔ نئی گائیڈ اس صورتحال کو بدل دیتی ہے: یہ ایک واضح فیصلے سے شروع ہوتی ہے—"AOI کے بعد لیکن ICT سے پہلے بہتر ریویو کے لیے یونٹس کی شناخت کریں"—اور ایک ایسا ماڈل تیار کرتی ہے جس کا فیصلہ موجودہ کارکردگی کے پیمانوں (metrics) کے مطابق کیا جا سکے۔
مینوفیکچررز کے لیے خطرات اور اہمیت
معائنہ سے بچ نکلنے والا ہر ناقص بورڈ ضائع شدہ اجزاء، اضافی ری ورک لیبر، اور مصنوعات کی لانچ میں تاخیر کا باعث بنتا ہے۔ اس کے برعکس، سپلائر کی تبدیلی یا پلانٹ کی منتقلی کے بعد اگر ماڈل کی کارکردگی میں فرق آئے تو یہ پیداواری معیار کو متاثر کر سکتا ہے۔ الگورتھم کے ساتھ کسی بھی دوسرے آلات کی طرح سلوک کرنا—یعنی اسے کیلیبریٹ کرنا، مانیٹر کرنا اور اس کی دیکھ بھال کرنا—منافع کو برقرار رکھنے میں مدد دیتا ہے۔
گائیڈ میں بیان کردہ آٹھ مراحل
- فیصلے کو ایک جملے میں بیان کریں – اس درست عمل کی نشاندہی کریں جسے ماڈل ٹریگر کرے گا، مثلاً، "AOI کے بعد لیکن ICT سے پہلے بہتر ریویو کے لیے یونٹس کی شناخت کریں۔"
- اپنا بیس لائن (baseline) ریکارڈ کریں – موجودہ FPY، اسکریپ کی لاگت، اور ری ورک کے وقت کو نوٹ کریں۔ یہ اعداد و شمار AI کے ذریعے ہونے والی کسی بھی بہتری کے لیے پیمانے کا کام کریں گے۔
- اپنا ڈیٹا جوڑیں – SMT ڈیٹا اسٹریمز اور ٹیسٹ کے نتائج کے درمیان سیریل نمبرز کو لنک کریں۔ پلیسمنٹ آفسیٹس (placement offsets)، پیسٹ والیمز (paste volumes)، اور ری فلو ٹمپریچرز (reflow temperatures) کو شامل کریں تاکہ ماڈل پورے عمل کی مکمل تصویر دیکھ سکے۔
- BOM کی ہسٹری شامل کریں – اجزاء کے سائز میں تبدیلی یا سپلائر کی تبدیلی پرزوں کے رویے پر اثر انداز ہوتی ہے۔ ہر بورڈ کو اس کے بل آف میٹریلز (BOM) ورژن کے ساتھ ٹیگ کرنے سے ماڈل ان باریکیوں کو سیکھ سکتا ہے۔
- پروسیس فیچرز ڈیزائن کریں – کسی ایک مشین کو الگ تھلگ نہ دیکھیں۔ حقیقی خطرے کے عوامل کو سامنے لانے کے لیے کم پیسٹ والیم کو پلیسمنٹ آفسیٹس، یا ری فلو پروفائل میں تبدیلیوں کے ساتھ ملا کر دیکھیں ۔
- ڈیٹا کو وقت کے لحاظ سے تقسیم کریں، بے ترتیب نہیں – بے ترتیب تقسیم (random splits) ٹریننگ میں مستقبل کی معلومات شامل کر سکتی ہے، جس سے کامیابی کے اسکور بڑھ جاتے ہیں۔ زمانی تقسیم (chronological split) حقیقی دنیا کے استعمال کی عکاسی کرتی ہے۔
- حقیقی حالات کے ساتھ ٹیسٹ کریں – مضبوطی کو یقینی بنانے کے لیے مختلف پروڈکٹ فیملیز، مشین سیٹ اپس، اور میٹریل لاٹس (material lots) پر ماڈل کی تصدیق کریں۔
- شیڈو موڈ (shadow mode) کا استعمال کریں – لائیو لائن پر اثر انداز ہوئے بغیر اس کے ساتھ ساتھ پیشگوئیوں کو چلائیں۔ کسی بھی پروسیس کی تبدیلی پر عمل کرنے سے پہلے AI کے الرٹس کا اصل ٹیسٹ کے نتائج سے موازنہ کریں۔
AI کو موجودہ معائنے کو تبدیل کرنے کے بجائے اسے بہتر بنانا چاہیے
گائیڈ اس بات پر زور دیتی ہے کہ AI انجینئرز کا ساتھی ہے، نہ کہ SPI (solder paste inspection) یا AOI (automated optical inspection) جیسے قائم شدہ چیکس کا متبادل۔ متعدد ذرائع سے سگنلز کو یکجا کر کے، الگورتھم ایسے پیٹرن ظاہر کر سکتا ہے—جیسے پیسٹ والیم اور پلیسمنٹ آفسیٹ کے درمیان ایک باریک تعلق—جو انسانوں سے چھوٹ سکتا ہے۔ ایک AI سے چلنے والا ایجنٹ ڈیٹا اکٹھا کرنے کے عمل کو خودکار بنا سکتا ہے اور الرٹس متعلقہ ٹیکنیشن کو بھیج سکتا ہے، لیکن اسے کبھی بھی خود سے ٹیسٹ کی حدود یا SMT ریسیپیز (recipes) کو تبدیل نہیں کرنا چاہیے۔
ماڈل کی صحت کی نگرانی اور دیکھ بھال
جب اپ اسٹریم ویری ایبلز (upstream variables) تبدیل ہوتے ہیں، جیسے کہ نیا کمپوننٹ وینڈر یا پیداوار کی کسی دوسرے پلانٹ میں منتقلی، تو ماڈل کی کارکردگی کم ہو جاتی ہے۔ AI کو فیکٹری کے ایک اور آلے کے طور پر سمجھیں جسے کیلیبریشن لاگز، حفاظتی دیکھ بھال (preventive maintenance)، اور ایک واضح ڈی کمیشننگ پلان (decommissioning plan) کی ضرورت ہوتی ہے۔
ایک دوسرا پہلو: ضرورت سے زیادہ آٹومیشن کا خطرہ
ناقدین کا کہنا ہے کہ AI ایک 'بلیک باکس' بن سکتا ہے، جس سے فیکٹریاں ایسی پیشگوئیوں پر بھروسہ کرنے لگتی ہیں جنہیں وہ سمجھ نہیں پاتیں۔ گائیڈ کا شیڈو موڈ اور وقت پر مبنی ڈیٹا اسپلٹ پر اصرار کرنا براہ راست اس خدشے کو دور کرتا ہے، جو کسی بھی آٹومیشن کے نافذ ہونے سے پہلے حقیقت کا جائزہ لینے پر مجبور کرتا ہے۔ اس کے باوجود، کمپنیوں کو ایسے عملے پر سرمایہ کاری کرنی چاہیے جو ماڈل کے نتائج کی تشریح کر سکیں اور جب کوئی غیر معمولی صورتحال (anomalies) ظاہر ہو تو مداخلت کر سکیں۔
آگے کیا دیکھنا ہے
خلاصہ: ایک مرکوز، ڈیٹا پر مبنی طریقہ کار جو پیداوار کے ایک واحد، پیمائش کے قابل مسئلے سے شروع ہوتا ہے، AI کو ایک قیاس آرائی والے پروجیکٹ سے بدل کر SMT فلور پر پیداواری شرح کو بہتر بنانے والے ایک ٹھوس آلے میں تبدیل کر سکتا ہے۔ نئی گائیڈ ایک عملی خاکہ فراہم کرتی ہے؛ اصل امتحان اس کے تخلیق کردہ ماڈلز کے منظم نفاذ اور مسلسل انتظام میں ہوگا۔
ماخذ: https://dev.to/jasperstewart/how-to-implement-ai-in-electronics-manufacturing-step-by-step-36p0