In sintesi
- Azienda
- Hitachi EnergyProduttore di semiconduttori di potenza; all’epoca dello studio lo stabilimento apparteneva a Hitachi ABB Power Grids
- Dimensione
- Grandi imprese (1.000+ dipendenti)
- Settore
- Manifattura
- Dove e quando
- Svizzera. Dati fino ad aprile 2019, introduzione febbraio – agosto 2020, pubblicato nel 2021.
- Chi ha prodotto le cifre
- Misurate da ricercatoriLe cifre vengono da uno studio di ricercatori universitari, pubblicato su una rivista con revisione tra pari. L’azienda ha fornito i dati di produzione e ha comunicato ai ricercatori la cifra del 21,7%. Le rese nell’articolo sono riportate su una scala modificata per proteggere dati riservati.
Che cosa hanno fatto
Lo stabilimento di Lenzburg produce chip a transistor per apparecchiature di potenza. Un chip passa attraverso 200 fasi di processo. Alla fine ogni chip viene testato, e quelli che non superano il test vengono scartati. La quota che lo supera si chiama resa.
Con così tante fasi, è difficile capire quale causi i difetti. Gli strumenti abituali dello stabilimento erano l’analisi delle correlazioni e il giudizio dei suoi esperti.
I ricercatori hanno preso i dati di 1.197 lotti di produzione passati, circa 1,8 milioni di chip. Per ogni lotto c’erano 3.614 impostazioni e misure registrate. Hanno addestrato un modello di IA a prevedere la resa di un lotto a partire da questi dati. Poi hanno usato un metodo che mostra quanto ogni dato in ingresso ha contribuito alla previsione. Così hanno messo in ordine le 200 fasi in base a quanto influivano sulla resa.
Due fasi spiccavano. In entrambe, il modello ha trovato che il risultato dipendeva da quale macchina aveva fatto il lavoro. Ha suggerito di far passare il materiale da una macchina precisa in ciascuna delle due fasi. Lo stabilimento ha confermato che questo non avrebbe creato problemi di capacità.
I numeri
Il test. Lo stabilimento ha prodotto un nuovo lotto di 24 wafer, i dischi di silicio da cui si ricavano i chip. Li ha divisi in quattro gruppi da sei, con 372 chip ciascuno. Sulla scala 0–100 dell’articolo:
| Gruppo | Punteggio di resa |
|---|---|
| Prodotto nel modo abituale | 38,2 |
| Solo la prima modifica | 50,6 |
| Solo la seconda modifica | 85,7 |
| Entrambe le modifiche | 86,0 |
- Perdita di resa ridotta del 21,7%. L’azienda ha confrontato il gruppo con entrambe le modifiche con la sua resa media e ha comunicato questa cifra ai ricercatori.
L’introduzione. Lo stabilimento ha poi usato il metodo su un chip diverso, con una resa bassa che nessuno era riuscito a spiegare. Il modello ha indicato due fasi di incisione. Gli ingegneri le hanno modificate entrambe.
- Perdita di resa ridotta del 51,3%, confrontando la produzione di luglio e agosto 2020 con quella da febbraio a giugno 2020. Il miglioramento si è mantenuto per tutto il periodo studiato.
Perché i ricercatori pensano che abbia funzionato
- Gli strumenti abituali non l’avevano visto. L’azienda ha confermato che i suoi metodi standard non avevano trovato le due fasi nel secondo prodotto. Nemmeno un modello statistico tradizionale, provato per confronto, aveva trovato qualcosa.
- Gli ingegneri potevano leggere il risultato del modello. Indicava fasi e macchine. Quando i risultati sono stati mostrati agli esperti di produzione, questi hanno trovato le cause: un tipo di macchina lasciava arrivare particelle sui wafer, e un altro li graffiava durante il caricamento.
- La soluzione è costata poco. Le macchine peggiori sono state spostate in fasi dove non facevano danni.
Che cosa mostra il caso
- L’IA in fabbrica può ripagarsi senza nuovi macchinari. Il guadagno è venuto da dati che lo stabilimento registrava già e da un cambiamento nel percorso del materiale.
- Serve molta storia di produzione, e pulita. Il modello ha imparato da più di mille lotti, con migliaia di valori registrati ciascuno.
- L’IA ha proposto; gli ingegneri hanno deciso e verificato. Lo stabilimento ha fatto un test controllato su un lotto prima di cambiare qualsiasi cosa nella produzione normale.
Cosa dice sulle pratiche
Pratiche che l’azienda ha applicato
- Parta da un processo costoso, non da un’introduzione in tutta l’azienda Il lavoro puntava a un solo prodotto e a un solo costo: i chip a transistor che non superano il test finale vengono scartati. Prima di tutto · Impegno: medio (settimane, poche persone)
- Misuri il tempo risparmiato per attività rispetto a una misurazione di partenza Un lotto di produzione è stato diviso in quattro gruppi. Un gruppo è stato prodotto nel modo abituale, gli altri tre con una o entrambe le modifiche suggerite. Prima di tutto · Impegno: basso (giorni, una persona)
- Faccia controllare a una persona tutto ciò che va a un cliente o ha valore legale Il modello indicava solo da dove venivano le perdite. Gli ingegneri di processo dello stabilimento hanno proposto le possibili azioni, hanno verificato che fossero realizzabili e hanno individuato le cause fisiche. Prima di tutto · Impegno: medio (settimane, poche persone)
- Faccia mostrare all’IA su cosa si basa la sua risposta I ricercatori hanno usato un metodo che mostra quanto ogni fase del processo ha contribuito alla previsione del modello, e gli esperti di produzione lo hanno usato per trovare le cause fisiche. Subito dopo · Impegno: medio (settimane, poche persone)
Fonti
- 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