De un vistazo
- Empresa
- Hitachi EnergyFabricante de semiconductores de potencia; en la época del estudio la planta pertenecía a Hitachi ABB Power Grids
- Sector
- Industria
- Dónde y cuándo
- Suiza. Datos hasta abril de 2019, implementación de febrero a agosto de 2020, publicado en 2021.
- Quién produjo las cifras
- Medidas por investigadoresLas cifras proceden de un estudio de investigadores universitarios, publicado en una revista con revisión por pares. La empresa aportó los datos de producción y comunicó a los investigadores la cifra del 21,7 %. Los rendimientos del artículo están reescalados para proteger datos confidenciales.
Qué hicieron
La planta de Lenzburg fabrica chips de transistores para equipos de potencia. Un chip pasa por 200 pasos de proceso. Al final se prueba cada chip, y los que fallan se desechan. La proporción que supera la prueba se llama rendimiento.
Con tantos pasos, es difícil saber cuál causa los fallos. Las herramientas habituales de la planta eran el análisis de correlaciones y el criterio de sus expertos.
Unos investigadores tomaron los registros de 1197 lotes de producción anteriores, cerca de 1,8 millones de chips. Cada lote venía con 3614 ajustes y mediciones registrados. Entrenaron un modelo de IA para predecir a partir de ellos el rendimiento de un lote. Después usaron un método que muestra cuánto contribuyó cada dato de entrada a la predicción. Así ordenaron los 200 pasos según cuánto afectaban al rendimiento.
Dos pasos destacaron. En los dos, el modelo encontró que el resultado dependía de qué máquina había hecho el trabajo. Sugirió pasar el material por una máquina concreta en cada paso. La planta confirmó que esto no crearía un problema de capacidad.
Las cifras
La prueba. La planta fabricó un lote nuevo de 24 obleas, los discos de silicio de los que se cortan los chips. Las dividió en cuatro grupos de seis, con 372 chips cada uno. En la escala de 0 a 100 del artículo:
| Grupo | Puntuación de rendimiento |
|---|---|
| Fabricado de la forma habitual | 38,2 |
| Solo el primer cambio | 50,6 |
| Solo el segundo cambio | 85,7 |
| Los dos cambios | 86,0 |
- Pérdida de rendimiento un 21,7 % menor. La empresa comparó el grupo con los dos cambios con su rendimiento medio y comunicó esta cifra a los investigadores.
La implementación. Después, la planta usó el método con otro chip, uno con un rendimiento bajo que nadie había sabido explicar. El modelo señaló dos pasos de grabado. Los ingenieros cambiaron los dos.
- Pérdida de rendimiento un 51,3 % menor, comparando la producción de julio y agosto de 2020 con la de febrero a junio de 2020. La mejora se mantuvo durante todo el periodo estudiado.
Por qué creen los investigadores que funcionó
- Las herramientas habituales no lo detectaron. La empresa confirmó que sus métodos estándar no habían encontrado los dos pasos del segundo producto. Un modelo estadístico convencional, probado para comparar, tampoco encontró nada.
- Los ingenieros podían interpretar lo que daba el modelo. Nombraba pasos y máquinas. Cuando se mostraron los resultados a los expertos de producción, encontraron las causas: un tipo de máquina dejaba entrar partículas en las obleas, y otro las rayaba al cargarlas.
- El arreglo costó poco. Las máquinas más débiles se pasaron a pasos en los que no hacían daño.
Qué muestra el caso
- La IA en la planta puede rentabilizarse sin equipos nuevos. La mejora vino de datos que la planta ya registraba y de un cambio en la ruta del material.
- Necesita mucho historial limpio. El modelo aprendió de más de mil lotes con miles de valores registrados cada uno.
- La IA propuso; los ingenieros decidieron y probaron. La planta hizo una prueba controlada con un lote antes de cambiar nada en la producción normal.
Qué dice sobre las prácticas
Prácticas que aplicó la empresa
- Empiece por un proceso costoso, no por una implementación en toda la empresa El trabajo se dirigió a un solo producto y a un solo costo: los chips de transistores que no superan la prueba final se desechan. Hacer primero · Esfuerzo: medio (semanas, unas pocas personas)
- Mida el tiempo ahorrado por tarea frente a una medición de partida Un lote de producción se dividió en cuatro grupos. Un grupo se fabricó de la forma habitual, y los otros tres con uno o los dos cambios sugeridos. Hacer primero · Esfuerzo: bajo (días, una persona)
- Mantenga a una persona revisando todo lo que llega a un cliente o tiene peso legal El modelo solo señaló de dónde venían las pérdidas. Los ingenieros de proceso de la planta aportaron las posibles medidas, comprobaron que se podían llevar a cabo y averiguaron las causas físicas. Hacer primero · Esfuerzo: medio (semanas, unas pocas personas)
- Haga que la IA muestre en qué se basa su respuesta Los investigadores usaron un método que muestra cuánto contribuyó cada paso del proceso a la predicción del modelo, y los expertos de producción lo usaron para encontrar las causas físicas. Hacer después · Esfuerzo: medio (semanas, unas pocas personas)
Fuentes
- Senoner, Netland and Feuerriegel (2022). Using Explainable Artificial Intelligence to Improve Process Quality: Evidence from Semiconductor Manufacturing. Management Science, 68(8), 5704–5723. doi.org
- The same paper, free to read in the ETH Zurich Research Collection. doi.org
- ETH Zurich (15 December 2021). Improving quality through artificial intelligence. News article naming the plant as Hitachi Energy, Lenzburg. ethz.ch