AI الیکٹرانکس فیکٹریوں کے سطح پر نصب (surface-mount) لائنوں پر فرضی نقائص (phantom defects) کی تلاش میں ضائع ہونے والے وقت کو نمایاں طور پر کم کر سکتا ہے۔ ایک نیا مرحلہ وار طریقہ کار (playbook) مینوفیکچررز کو یہ دکھاتا ہے کہ کس طرح ایک AI ماڈل کا تجربہ (pilot) کیا جائے جو خودکار بصری معائنہ (Automated Optical Inspection - AOI) کے غلط الرٹس (false calls) کی درجہ بندی کرے، تاکہ معائنے کرنے والے ان تصاویر پر توجہ مرکوز کر سکیں جن میں حقیقی مسائل چھپے ہونے کا زیادہ امکان ہو۔
AOI سسٹمز ہر ممکنہ نقص کو نشان زد کرتے ہیں، لیکن زیادہ تر الرٹس اجزاء کی شکل یا سولڈر کے پھیلاؤ میں معمولی تبدیلیوں کے باعث ہوتے ہیں۔ معائنے کرنے والے ان "غلط الرٹس" (false calls) کو چھانٹنے میں منٹ ضائع کرتے ہیں، جبکہ حقیقی نقائص کبھی کبھار نظر انداز ہو کر بعد کے ٹیسٹ اسٹیشنز تک پہنچ جاتے ہیں۔ اس گائیڈ کا بنیادی مقصد سادہ ہے: AI کو AOI کے فیصلے کرنے والے انجن کو تبدیل کرنے کے لیے نہیں، بلکہ اس کے الرٹس کو دوبارہ ترتیب دینے کے لیے استعمال کرنا تاکہ سب سے زیادہ خطرے والے الرٹس پہلے نظر آئیں۔
یہ مسئلہ اب کیوں اہم ہے
SMT (Surface-Mount Technology) لائنیں اتنی تیز رفتاری سے چلتی ہیں کہ انسانی دوبارہ معائنے کے لیے بہت کم وقت ملتا ہے۔ جب غلط الرٹس کی کثرت ہوتی ہے، تو آپریٹرز کو لائن روکنی پڑتی ہے، ہر تصویر کی دستی طور پر تصدیق کرنی پڑتی ہے، اور مرمت کے اقدامات کا اندراج کرنا پڑتا ہے۔ یہ رکاوٹ لیبر کی لاگت میں اضافہ کرتی ہے اور پیداواری صلاحیت (throughput) کو کم کرتی ہے۔
پائلٹ فریم ورک – خیال سے اثاثے تک
ایک محدود اور محفوظ مقصد کا تعین کریں پائلٹ کا کام صرف AOI الرٹس کی درجہ بندی کرنا ہونا چاہیے، بورڈز کو خودکار طور پر قبول یا مسترد کرنا نہیں۔ فیصلے کو انسان کے ہاتھ میں رکھنے سے یہ یقینی بنایا جا سکتا ہے کہ ماڈل خاموشی سے معیار میں کوئی خرابی پیدا نہ کرے۔
بنیادی معیار (Baseline) قائم کریں کسی بھی ماڈل کے ڈیٹا پر کام کرنے سے پہلے، موجودہ پیمانے ریکارڈ کریں: غلط الرٹ کی شرح (false-call rate)، فی بورڈ اوسط معائنہ کا وقت، نقص کے بچ نکلنے کی شرح (defect escape rate)، اور FPY۔ ان اعداد و شمار کو بہتری کے پیمانے کے طور پر استعمال کریں۔
جامع اور مربوط ڈیٹا اکٹھا کریں AOI تصاویر کے ساتھ معائنے کرنے والے کا فیصلہ، تفویض کردہ مرمت کا کوڈ (repair code)، حتمی ٹیسٹ کے نتائج، اور سیاق و سباق کے شعبے جیسے سیریل نمبر، ٹائم اسٹیمپ، اور مشین ریسپی (machine recipe) کو شامل کریں۔ ڈیٹا سیٹ جتنا جامع ہوگا، ماڈل اتنا ہی بہتر ہوگا۔
ڈیٹا کی آلودگی (contamination) سے بچیں انجینئرنگ تبدیلی کے احکامات (Engineering Change Orders - ECOs) اکثر اجزاء کے ڈیزائن یا پیڈ پیٹرنز کو تبدیل کر دیتے ہیں۔ ECO سے پہلے اور بعد کی تصاویر کو ملانے سے ماڈل الجھ جاتا ہے، جس سے پیش گوئیاں غلط ہو جاتی ہیں۔ ڈیٹا کو ریویژن یا تبدیلی کی تاریخ کے لحاظ سے الگ کریں۔
معنی خیز لیبلز کا استعمال کریں صرف "نقص / کوئی نقص نہیں" کے بجائے، "مرمت کی ضرورت ہے" (rework required)، "انجینئرنگ ریویو کی ضرورت ہے" (engineering review needed)، یا "قابل قبول تبدیلی" (acceptable variation) جیسی کیٹیگریز استعمال کریں۔ تفصیلی لیبلز ماڈل کو ہر الرٹ کی شدت کے بارے میں واضح اشارے دیتے ہیں۔
ڈیٹا کو صحیح طریقے سے تقسیم کریں ریکارڈز کو ٹریننگ اور ٹیسٹ سیٹس میں بے ترتیب (randomly) تقسیم کرنے سے ماڈل حقیقت سے بہتر نظر آ سکتا ہے۔ ڈیٹا کو ٹائم ونڈو یا پروڈکٹ ریویژن کے لحاظ سے تقسیم کریں تاکہ ٹیسٹ سیٹ مستقبل کے غیر دیکھے ہوئے ڈیٹا کی صحیح عکاسی کر سکے۔
حقیقی استعمال کے خلاف تصدیق کریں ٹریننگ کے بعد، ایک ویلیڈیشن بیچ کی درجہ بندی کریں اور دیکھیں کہ کتنے حقیقی نقصات فہرست کے ٹاپ 20% میں آتے ہیں۔ اگر ماڈل زیادہ تر حقیقی مسائل کو جلد سامنے لاتا ہے، تو یہ کنٹرول شدہ آغاز (rollout) کے لیے تیار ہے۔
ماڈل کو ایک پروڈکشن اثاثہ سمجھیں ہر ورژن، ٹریننگ ڈیٹا سیٹ، اور ہائپر پیرامیٹر (hyper-parameter) کی تبدیلی کو اسی چینج کنٹرول سسٹم میں ریکارڈ کریں جو ہارڈ ویئر ریویژن کو ٹریک کرتا ہے۔ یہ آڈٹ ٹریل آپ کو اعتماد کے ساتھ ماڈل کو واپس لینے یا اپ ڈیٹ کرنے کی اجازت دیتا ہے۔
ساتھ ساتھ چلائیں، تبدیل نہ کریں AI درجہ بندی انجن کو موجودہ معائنہ کے بہاؤ کے ساتھ متوازی طور پر نافذ کریں۔ کسی بھی قبولیت کے معیار کو تبدیل کرنے سے پہلے کئی ہفتوں تک اس کی سفارشات کا انسانی معائنے کار کے فیصلوں اور حتمی ٹیسٹ کے نتائج سے موازنہ کریں۔
بڑے پیمانے پر نافذ کرنے سے پہلے بار بار بہتر بنائیں ایک کامیاب پائلٹ ایک کنٹرول شدہ طریقہ کار کی تبدیلی ہے، نہ کہ کوئی کھلا تجربہ۔ جب ماڈل مستقل طور پر بنیادی پیمانوں (baseline metrics) کو بہتر بنانے لگے، تو اسی طریقہ کار کو دیگر استعمالات جیسے کہ پیشگی دیکھ بھال (predictive maintenance) یا سپلائر کوالٹی کے لیے استعمال کریں۔
خطرات اور جوابی نکات
- ڈیٹا کا معیار سب سے اہم ہے – نامکمل ٹائم اسٹیمپ یا گمشدہ مرمت کے کوڈز ایک ایسا شور والا (noisy) ماڈل بنائیں گے جو بہتر کارکردگی نہیں دکھا سکے گا۔ ڈیٹا اکٹھا کرنے کا ایک منظم طریقہ کار ناگزیر ہے۔
- ماڈل ڈرفٹ (Model drift) – نئے اجزاء "نارمل" تصاویر کے شماریاتی پروفائل کو بدل دیتے ہیں۔ باقاعدہ دوبارہ ٹریننگ، جو اسی چینج کنٹرول عمل کے تحت ہو، اس ڈرفٹ کو کم کرتی ہے۔
- انسانی مداخلت کی تھکن (Human-in-the-loop fatigue) – الرٹس کی درجہ بندی کے لیے اب بھی معائنے کاروں کو بہت سی تصاویر کا معائنہ کرنا پڑتا ہے۔ اگر درجہ بندی حقیقی نقصات کو شور (noise) سے الگ نہیں کرتی، تو وقت کی بچت کا مقصد ختم ہو جاتا ہے۔ فی بورڈ معائنہ کے وقت کی مسلسل نگرانی کریں۔
آگے کیا دیکھنا ہے
وہ مینوفیکچررز جو AOI درجہ بندی کے پائلٹ میں کامیاب ہو جاتے ہیں، وہ اس نمونے کو دیگر استعمالات جیسے کہ پیشگی دیکھ بھال (predictive maintenance) یا سپلائر کوالٹی تک پھیلا سکتے ہیں۔
اہم نکتہ: AI صرف تب SMT لائن کی کارکردگی کو مزید بہتر اور مربوط بناتی ہے جب یہ صاف ستھرے، ورژن کنٹرول شدہ ڈیٹا پر مبنی اور حقیقی نقائص کے خلاف تصدیق شدہ ایک درجہ بندی شدہ الرٹ سسٹم (ranked-alert system) کے ساتھ مربوط ہو۔ ماڈل کو محض ایک وقتی ڈیمو کے بجائے ایک پروڈکشن اثاثہ (production asset) تصور کریں، اور اس کا فائدہ ایک قابلِ تکرار برتری بن جائے گا۔