10月15日から16日にかけてカリフォルニア州サンフランシスコで開催される「PDF Solutions CONNECT」イベントにおいて、PDF Solutions社は 、同社の分析ソリューション「Exensio」向けの新しい高拡張性アーキテクチャ「Exensio® Aurora」を発表し、デモンストレーションを行います。 Exensio Auroraは、ペタバイト規模の半導体製造データを処理し、製造業務およびサプライチェーン全体にエージェント型AIを安全に導入するために特別に設計されています。
このブログ記事では、PDF Solutionsのゼネラルマネージャー兼開発責任者であるサイード・アカル氏が、Exensio Auroraの開発につながった4つの重要な問いについて、自身の見解を述べています。
- PDF Solutionsは、ExensioにおいてIT技術の最新動向をどのように継続的に取り入れているのでしょうか？
- 半導体製造において、なぜ従来のBIツールを超えたアプローチが必要なのでしょうか？
- オンラインとオフラインの両方の製造ユースケースを支援することの価値とは？
- ミッションクリティカルな産業用アプリケーションにおいて、LLMソリューションが提供する機能をどのように活用し、強化すればよいでしょうか？
問題1
PDF Solutionsは半導体製造分野で30年の実績を有していますが、Exensio AuroraへとつながるExensioソリューションの新しいアーキテクチャの進化の背景には、どのような要因があるのでしょうか？
「進化」という言葉を使うのは良いことです。というのも、これはまさに私たちが数年ごとに実際に行っていることだからです。基本的に、数年ごとに、その時点で解決すべき新たな課題の組み合わせが現れる一方で、それらの課題を解決するための新しい技術や機会も同時に現れてくるのです。
このような取り組みは今回が初めてではありません。過去にも何度か行っています。特に前回の取り組みは、データストレージとデータ取り込みに関するものでした。ストレージと取り込みの面で、はるかに大規模なデータセットを処理できる必要があったのです。そして、それが前回の大きな進化でした。
では、近年新たに生じているニーズや機会とはどのようなものでしょうか。これらは、単に分析すべきデータ量の問題にとどまらず、その分析プロセスにおいて、より一層の自動化や機械学習、そしてAI全般の活用を取り入れる必要があるという点にも関係しています。そしてもちろん、これらの分野で最近進められている技術の進歩によって、そうした組み合わせが実現可能になったのです。
つまり、今や私たちは、ストレージ層だけでなく、分析の段階においても、はるかに多くのデータを処理できるようにシステムを構築する必要があります。特に半導体データは、形状やサイズなどが非常に独特で、多種多様なデータが含まれているためです。さらに、その分析を自動的に行う機能に加え、機械学習や並列処理、AIを分析に組み込む能力も必要とされています。こうしたニーズと技術の融合が求められているのです。 私たちは、この一歩、つまり次の進化をどのように実現すべきか、今がまさにその適切なタイミングだと感じました。
問題2
なぜ、従来のBIソリューションでは半導体製造データの分析には不十分なのでしょうか？
これは実は非常に、非常に一般的な質問です。というのも、データの保存や分析に関わる技術といえば、ちなみにBIツールだけにとどまらず、BIツールやデータストレージ技術、データベースなどが含まれるからです。 これらは長年にわたり多くの改良が加えられてきましたが、常に、データの形状や、ある領域内に存在する可能性のあるデータの多様性について、何らかの前提を置いています。
半導体業界の真に特別な点は、まず第一に、単にデータ量が多いだけではないということです。そのデータ量は極めて膨大であり、多くの場合、お客様から「御社のデータベースとデータ量は最大規模だ」と評価いただいています。つまり、半導体データは、お客様の組織内で最も大規模なデータであるということです。
しかし、それだけでなく、半導体は種類が非常に多いため、独特な存在です。つまり、「半導体データ」と言っても、それは単一の種類のデータを指すわけではありません。互いに大きく異なる、数え切れないほどの種類のデータを指すのです。したがって、1つの解決策ですべてに対応できるわけではありません。その課題を解決するためには、アプローチの中に複数の解決策を取り入れる必要がありました。
また、これらのデータの形状も異なります。半導体データの形状の例として非常に特徴的なのは、データ幅が極めて広い一方で、深さが非常に浅い場合が多く、それゆえに、その処理には独自の課題が生じるということです。ですから、汎用的な解決策でも対応できるでしょう。
要するに、品種がどれほど多様であるかを認識し、その多様性を理解し、さらに同じ品種内でも形が品種ごとに大きく異なることを把握していれば、はるかに良い結果を出せるということです。
問題3
新しいExensioアーキテクチャにおいて、クラウド上のデータ管理とオンラインのリアルタイムソリューションをどのように組み合わせればよいでしょうか？
これは私たちにとってもうひとつ、極めて重要なトピックです。というのも、私たちは常に顧客と関わり、データレイクやレイクハウスといった、オフラインソリューションにおける分析に非常に重点を置いた取り組みの実装を支援しているからです。通常、顧客はエッジ側、つまり製造デスクや製造フロア、組立フロアなどで何が起きているかについては、あまり関心を払っていません。 そして、私たちの観点から言えば、こうした状況には常に大きな弱点があるのです。
その理由は、もちろん、オフライン分析やデータレイク、データウェアハウスだけでなく、エッジソリューションも統合的に管理できるシステムを導入することには、大きなメリットがあるからです。なぜでしょうか？エッジで起こっていることは、通常、データ収集と制御が組み合わさったものです。そして、これら両者は、オフライン分析と統合することで、それぞれがさらに向上し、その逆もまた然りです。また、オフライン分析も、これら二つと統合することで、その精度を高めることができます。
例えば、データ収集についてです。分析の観点から見て、そこで最も重要なのはデータの品質です。つまり、データは完全か？ もっと完全にすることはできるか？ 正確か？ 検証済みか？ 現場で同じシステムが統合的に導入されていれば、これらすべての点が改善されます。これはファブにとって重要なことです。なぜなら、そうすることで、データ収集が基本的に分析の精度を向上させ、データ収集と制御を統合的に改善し、ひいては分析の精度をさらに高めることができることを実証できるからです。
その例としては、例えば管理業務が挙げられます。管理業務はフィードバックループの機能によって劇的な恩恵を受けることができます。つまり、分析から得た知見を活かして、より効果的な管理を実施できるようになるのです。したがって、オフィス分析に基づいて構築したモデルを改良し、例えばデスクフロアなどで管理面において何が起きているかを検証することが可能になります。 分析はデータの質に大きく依存しています。データ収集の段階に身を置くことで、より多くのデータ、より多様なデータ、より優れたデータ——つまり、ある意味では質の高いデータや、より完全なデータなどを収集できるようになります。
エッジでのデータ収集管理とオフサイドでの分析を統合したアプローチは、実は当社のシステムにおいて極めて重要な要素であり、通常、こうした統合的な視点を持たないことは誤りだと考えています。これらすべては統合システムがなくても実現可能ですが、その場合ははるかに困難になります。
第4問
機械学習は以前から活用されてきましたが、ExensioではLLMを含むさまざまなAIアプローチをどのようにサポートしているのでしょうか？
もちろん、LLMの性能は飛躍的に向上しています。誰もが「よし、LLMなら何でもやってくれる」と言いたくなるでしょう。そしてもちろん、LLMがすでに非常に優れているという点については、誰もが同意しています。
その性能は向上し続けています。 通常、その向上は指数関数的なものがあり、今後さらに大幅な向上が見込まれています。したがって、重要な問いは、現時点でどれほどの能力があるか、あるいは1か月後や6か月後にLLMがどれほどの能力を持つようになるか、ということではありません。真の問いは常に、ベンダーとしてそれをさらに改善できるか、特に、その時点でのLLMの状況や、1か月後にどれほど優れているかといったことに関係なく、LLMを改善できるか、という点にあります。
そして、その質問に対する私たちの答えは「はい」です。LLMの仕組みに固有の特性がいくつかあり、その固有の特性に基づけば、たとえある時点でどれほど高性能になったとしても、改善の余地は残されているのです。これにはいくつかの意味があります。LLMは「幻覚」を起こすことがあります。 しかし、確かに改善の余地はあります。モデルの性能向上に伴い、時間の経過とともにその頻度は減らせるでしょうが、LLMは決定論的なシステムではありません。つまり、結局のところ、誤った情報を生成する可能性は常に存在するということです。したがって、LLMを活用しつつ、その誤りを制御できるシステムが求められます。ある意味では、誤った情報の生成も創造性の一種です。システムには創造性が求められますが、それがあらゆる場面で発揮される必要はありません。
時には、アプローチをもっと決定論的にしたいと思うこともあります。私たちが常に貢献できる分野の一つは、創造性が必要か不要か、またどの程度必要か不要かを判断することです。そのためには、その分野に関する知識と、そうした制御を可能にする仕組みをシステムに備えておくことが重要です。つまり、創造性に対する制御が重要になるのです。 そして、これには通常、単なる汎用的な解決策だけでなく、どの領域でそのような創造性を制御し、その度合いを強めたり弱めたりすべきか、また、主要な知識や専門知識に基づいてそれをどのように行うかという、ドメイン知識が必要となります。
さらに、LLMは、基本的に再現性や可視性などを必ずしも容易に実現できないことで悪名高い。つまり、LLMに特定のタスクを依頼した場合、今日はある方法で処理しても、明日は別の方法で処理する可能性があるということだ。 あるいは、LLMの別のバージョンや別のタイプを使用した場合、答えがかなり異なってしまう可能性もあります。こうしたことは場合によっては許容できることもありますが、多くの場合、翌日同じ質問をした際には、それが正しい答えであるならば、理想的には同じ答えが返ってくるべきです。
つまり、そういう点があるわけです。また、必ずしもブラックボックスである必要はありません。私たちは、「これが生成された結果だ」「なぜ生成されたのか」「なぜこれが正しいのか」を明確に説明でき、場合によってはその結果を簡単に編集できる必要があります。したがって、再現性、編集可能性、そして生成されている内容の可視性は極めて重要であり、私たちはそれを実現できると確信しています。
そして、最後のポイントは、通常、どの分野にも多くの専門知識が存在し、特に半導体分野においては、一般的なLLMが必ずしもそれらにアクセスできるとは限らないという点です。
そのコンテキストは提供可能です。これらのLLMに対しては、LLMのカスタマイズをいくつかのバリエーションで提供することが可能です。つまり、LLMのカスタマイズと、それを再現可能にしたり可視性を高めたりする機能などを組み合わせることで、事実上システムに「記憶」が追加されることになりますが、これは、個々のLLMがどれほど高度なものになったとしても、必要不可欠であると私たちは考えています。
「PDF Solutions CONNECT 2026」の詳細および参加登録については、こちらのリンク「PDF Solutions CONNECT」をご覧ください。
「PDF Solutions CONNECT」では、『Exensio Aurora』を開発したチームと直接交流できる貴重な機会が提供されるほか、同製品の機能の一部をいち早く導入した顧客からの体験談を聞くこともできます。
PDF Solutions CONNECT 2026カンファレンスのウェブサイトをご覧いただき、プログラム、登壇者、開催場所、参加に関する詳細、および参加登録についてご確認ください。