半導體產業一如既往地站在顛覆性技術創新的最前線，這促使製造製程日益複雜，進而延長產品上市時間、推高研發成本，並在問題發生時導致代價高昂的延誤。
隨著製造商應對這些挑戰，對製造問題及負面產能影響進行全面預測的需求日益迫切。各家公司正投資於人工智慧（AI）與機器學習（ML）技術，旨在開發專注於這些製造預測挑戰的新模型。許多企業很快便意識到，若要對產能與製造效率產生實質影響，開發這些機器學習模型時必須考量半導體製造數據的特定特性；此外，這些模型也需部署在能對製程決策產生最大影響的環節。
解決此項挑戰的方案，正是PDF Solutions 的 ModelOps（模型運維），該方案正逐漸成為人工智慧預測建模領域的領先解決方案之一，並提供了一種結構化的方法來管理機器學習模型的生命週期。
隨著產業邁入 「晶片片」（chiplets）、數位孿生（digital twins）及無人化製造（lights-out manufacturing） 的時代，各類半導體智慧製造應用場景皆需大量模型。為進行生命週期管理、監控、控制，以及人工智慧（AI）、機器學習（ML）或其他類型決策模型的運作實施，業界正部署靈活且模組化的系統。預測性建模有助於加速、擴展、自動化並普及化企業範圍內的模型建立與部署。
透過 ModelOps，使用者能夠將 第三方模型或自有的模型與演算法導入AI/ML 模型生命週期管理平台。他們可以根據晶圓廠數據和／或上游測試點數據預測測試結果，在任何步驟建議分級覆寫、偵測異常或異常晶粒，並分類晶圓圖的空間故障模式。此外，他們還能預測維護事件、偵測異常的設備行為與製程（例如虛擬量測），以及分類缺陷影像。 在晶圓廠及供應鏈中，他們能最大化產能，並平衡供需關係。
模型可部署於邊緣裝置的離線或線上環境，以驅動即時行動的執行。這些行動的範圍很廣，從早期識別潛在的晶粒故障以降低測試成本、發送自動化警示，到運用機器學習進行自適應測試／預測性老化測試，以判斷晶粒是否符合標準而可跳過測試。
PDF Solutions 的 ModelOps 作為半導體產業中用於 AI 預測建模、異常偵測、分類及最佳化的基礎架構解決方案，能以結構化的方式管理機器學習模型在半導體製造流程中的生命週期。它促進了從概念驗證模型向可擴展且具備量產能力的解決方案的過渡，使組織能夠在各種應用（例如預測性維護和良率優化）中高效部署 AI 模型。這些模型的結果驅動著製造全流程中的實際行動。
透過實現可擴展性、強化決策能力，並為複雜環境提供量身訂製的解決方案，PDF Solutions 的 ModelOps 解決方案不僅能應對半導體製造業的獨特挑戰，更能創造顯著的商業價值。其價值在於能夠強化決策能力、提升營運敏捷性，並促進團隊間的協作。將 AI 預測建模整合至製造流程中，有助於更精準地預測設備故障並優化生產排程，最終推動良率與獲利能力的提升。
隨著產業持續演進，對於希望有效運用人工智慧並在快速變化的市場中維持競爭優勢的組織而言，採用 ModelOps 將至關重要。
若想了解 ModelOps，您可以觀看 2024 年 PDF Solutions AI 高階主管會議中，針對該解決方案及其在測試領域的應用所進行的深入示範影片。
2024 年 PDF Solutions 人工智慧高階主管會議的簡報與影片可在此處取得。