機器學習 + 數十年的經驗
PDF Solutions 透過將大數據基礎架構與機器學習應用，結合數十年的製造與測試經驗，協助企業把握「工業 4.0」帶來的優勢，並為客戶提供量身打造的解決方案，以實現具體目標。
已於大規模生產中獲得驗證
我們的「製造業進階洞察系統」（Advanced Insights for Manufacturing，簡稱 AIM）是一個可配置的、基於知識的系統，能從持續進行的計算和使用者輸入中學習，並在大量生產環境中迅速做出智慧決策。過去十年間，我們開發了一系列經實際生產驗證的 AIM 解決方案，這些解決方案運用我們的大數據和機器學習能力，為製造、測試作業以及組裝與包裝領域的客戶帶來顯著的投資報酬率。
AIM Solutions 概覽：
自適應簽名診斷（ASD）
ASD 是一套用於檢測、分類及分析晶圓良率異常特徵的自動化系統。系統會分析新進晶圓的空間特徵，並將其歸類至不同類別；這些分類會根據使用者輸入，透過機器學習技術即時進行精細調整，我們將此技術稱為「協作學習」。系統會針對每個獨特的晶圓類別自動執行深入分析，並產生報告，用以確認已知根本原因是否再次出現，或指出可能導致晶圓良率損失的新潛在來源。
ROI：相較於傳統分析技術，能以快 5 倍的速度找出並控制晶圓良率損失的根本原因，並將專家知識整合至機器學習模型中，以實現持續改進。
資料來源：晶圓分選／分級、PCM、LEH／WEH、量測、缺陷、設備 FDC
產能與效率提升（CEI）
CEI 運用 Exensio® 分析平台中的「設備效能追蹤」（EPT）功能，透過逐步式方法論，藉由協調設備與腔室運作，來優化 OEE（整體設備效率）、晶圓廠產能及晶圓產出量。從每個製程配方微步驟所收集的數據，可捕捉設備間的任何效能不匹配狀況，並透過對設備 FDC 數據的詳細分析來消除這些不匹配。
投資報酬率（ROI）：瓶頸工機產能提升 10%，效率／產能提升超過 20%，並能迅速辨識出影響實際產能與製造產能模型偏差的要因，包括製程配方、設備設定及硬體問題。
資料來源：工具 感測器 FDC 資料
耗材成本削減（CCR）
CCR 解決方案運用由「製程控制模組」（Exensio Analytics Platform 的核心模組）所蒐集的 eBOM 資料集，其中包含 ERP、MES、EAM 及 FAC 資料，以及耗材、維護零件與物料，以及化學成分與物料組成報告，藉此系統性地降低物料消耗、優化使用效率，並偵測物料成分的異常波動。 透過結構化的分析工作流程，系統能識別表現不佳的工具、零件及供應商，並引導使用者完成優化流程。
投資報酬率（ROI）：降低材料消耗成本、減少良率與可靠性波動，並優化零件與材料的利用率
資料來源：消耗品 批次編號、事件資料、配方編號、FDC 資料、預防性維護資訊、物料組成報告、MES 資料
早期故障檢測（ELF）
ELF 解決方案能優化產量與現場可靠性失效之間的品質成本權衡。 傳統的異常值演算法（例如「零件平均測試」PAT）常被用於識別和篩選具有早期失效風險的零件。Exensio 的 ELF 不僅超越了 PAT，更透過善用 Exensio 分析平台的端到端資料庫與基礎架構，提供全面的晶片品質分級與風險分類解決方案。 透過多變量機器學習方法，分析來自多個資料來源所產生的進階指標，該方法能隨著新資訊的出現（例如 8D 報告、故障分析中發現的根本原因、新增的 RMA 申請等）進行適應性調整。
投資報酬率（ROI）：透過在晶圓分選階段偵測高風險晶粒，防止品質與可靠性問題發生
資料來源：晶圓 分選、最終測試、PCM、老化測試、退貨、缺陷、量測、LEH/WEH、FDC
設備故障防護 (ETP)
ETP 是專為晶圓廠及封裝產線設計的次世代 FDC 解決方案。它不僅超越了傳統 FDC 資料蒐集、特徵選取及 SPC 警報限值的標準做法，更將 FDC 資料與製程設備事件相互關聯，並運用人工智慧（AI）與機器學習（ML）來偵測及分類異常的設備感測器訊號軌跡，區分為「正常」、「異常」及「未知」三類。此分類系統會隨著使用者對新訊號進行評估並找出根本原因而動態調整，從而實現快速的問題偵測與控制。
投資報酬率（ROI）：DPW 良率提升 1%、晶圓廠產能提升 5%、產線良率提升 2%、設備可用率提升 2%、工程部門全職當量（FTE）節省
資料來源：刀具 感測器、FDC 資料及刀具事件
智慧型物料處置（IMD）
「材料審查委員會」（MRB）是提升出貨產品品質的一種常見方法。IMD 解決方案能大幅減少 MRB 流程中的人工操作，並降低因人為因素導致的變異頻率。透過實施自動化工作流程，系統能精準掌握每位客戶業務及產品線的特定品質標準，將批次與晶圓的品質分級時間從數小時或數天縮短至數分鐘。 全面的分析能力與完全自動化，確保結果的一致性及高品質的決策品質。
投資報酬率（ROI）：將批次處置所需的工程工作量減少超過 50%。可防止漏判，並提升晶圓處置的一致性與決策品質。
資料來源：PCM/WAT 、晶圓分選/盒裝分選、最終測試
智慧測驗
製造複雜性、先進封裝技術以及高密度晶片設計，共同推升了晶圓分選與最終測試的成本。Exensio 的「智慧測試」解決方案運用機器學習，從每個產品晶粒相關的龐大資料集中找出細微訊號，並運用人工智慧來調整測試流程，從而以更低的成本實現更高的產品品質。 此 AI／ML 方法能識別出品質最佳的晶粒作為候選對象，使其免於進行昂貴的測試環節（例如老化測試），在滿足 DPPM 要求的前提下，同時優化測試成本。PDF 可提供機器學習演算法，您亦可自行提供。該系統專為量產運作設計，安裝於您的 OSAT 測試廠區「邊緣」，以實現高效、低延遲的運作、高正常運行時間及最小化資料遺失。
投資報酬率（ROI）：將燒入測試需求降低 30% 至 60%，視測試量與成本而定，每年最高可節省數百萬美元。
資料來源：PCM/WAT 、晶圓分選、最終測試（以及（如有）量測、缺陷、MES 及 FDC 資料）
具收益意識的 FDC
YA-FDC 是一套結合技術與服務的解決方案，透過運用 Exensio 的「大數據」平台，來改善製程變異、辨識設備狀態及影響功能性與參數良率的變異來源，並運用專有分析與建模技術識別關鍵參數，據此設定適當的 SPC 控制限。分析流程已實現自動化，並搭配報表與儀表板功能，以推動良率、變異及超標狀況的快速改善。 人工智慧（AI）與機器學習（ML）可提供預測模型，實現更精細的反饋與前饋控制；預測性維護（PM）則能優化設備可用性；虛擬量測技術則可實現適應性在線取樣。
投資報酬率（ROI）：產量提升 8%、波動幅度減少 40%、新產品導入（NPI）學習率加快 7%
資料來源：製程工具感測器 FDC 資料、量測、缺陷、PCM/WAT、晶圓分選、測試、組裝
