AWS
ttc
 

矽品自组AI团队 大胆启用零工作经验新鲜人

矽品自内部组建AI团队完成智能瑕疵检测专案。李建梁摄

半导体封测厂矽品自2018年导入自动瑕疵分类(Automatic Defect Classification;ADC)方案计画,在瑕疵检测流程中结合AI,希望改善传统AOI设备过度筛检的问题,整个计画矽品仅用了9个月便顺利完成开发,且实际上线后的表现也符合预期水平,但令人意外的是,由矽品技术开发处处长万国辉带领负责执行计画的团队,成员却仅有4人,而且是招募零工作经验的新鲜人,从公司内部培养、建构出的AI团队。究竟矽品如何在9个月中成功练就AI实战力,对此万国辉分享了一些实际经验。

对于想要进一步拥抱AI的企业,万国辉从产业角度建议,企业首先必须挑选合适的题目来做。在选定题目前需掌握两个基本原则,一是不能太好高骛远,将预期门槛设定太高容易自尝苦果,二则是应设定实务效益明显的目标,否则不仅不易彰显成果,也难以说服经营管理者投入资源的意愿。
矽品执行AI瑕疵检测专案,便是基于上述原则的考量,包括可节省多少人力、缩短多少时间等的效益指标都非常明确,且当前影像辨识技术相对成熟,有助于提高专案执行的信心度,在短期内就能看到预期效果。

AI大神吴恩达上周应邀来台畅谈AI未来发展,他也特别提到,企业推动AI专案,最好先从内部建构AI团队,由于更了解自家问题,在专案执行上就会更有效率。组建这支AI团队,万国辉谦虚地笑称自己其实是一名AI门外汉,但事实上,仅有4人的团队成员虽是零工作经验的新鲜人,但论文研究皆与人工智能应用相关,这是进入团队的入门条件,除此之外,万国辉过去的论文研究也专注在计算机模拟运算,因此对于AI开发,团队一点也不陌生。

万国辉坦言,现在市场上确实难以找到同时懂AI也具备产业经验的人才,会启用新鲜人,多少有些人才难求的无奈,不过万国辉认为,团队既是从头开始,不妨边做边学,新鲜人的创新思维或可碰撞出新的火花,因此大胆尝试,也未必是坏事。

在AI专家协助下 少走冤枉路

但没有实务经验,真的能够成功吗?相信这也是许多制造业者心中的疑问。在导入AI专案的过程中,矽品的做法则是一路从做中学,在9个月完成专案开发的过程中,团队至少有6个月时间,是在NVIDIA专家的协助下学习与操作,由于有些学校实验室习惯使用R语言或Matlab,团队甚至也从头开始学习Python,而彼此的合作模式也如同老师与学生,得依据学习进度缴交「作业」,或在NVIDIA的建议下从在线教育平台Coursera选择合适教材进修课程。

从初期主要由NVIDIA专家协助专案建立模型、部署推论(Inference)环境等,到后期团队逐渐培养独立思考能力,能够尝试自主修改、调整模型,加上NVIDIA专家从旁指导以及协助实际操作下,团队便能够很清楚、迅速掌握专案的执行方向。
事实上,像矽品这样透过企业专家协助的案例不在少数,导入AI并非一蹴可几,除了资源、时间外更需要核心技术,缺一不可。企业不可能凡事硬著头皮自己来,因此除了NVIDIA,现在市场上包括微软、IBM等大型企业内部都建立AI专家团队,提供包括咨询、评估或协助专案执行等的服务,目的便是希望在AI专家的协助下,企业能够少走冤枉路。

多部门协同作业 团队沟通是关键

产业AI化,其实还涉及多个单位的协同作业,象是AI工程师的专长是开发AI,但一旦涉入产业Know how时,便是外行人,包括针对瑕疵成像的定义,各种瑕疵种类的构成因素等与制程相关之专业知识,就得交由AOI工程师处理,因此万国辉也建议,双方必须建立良好的沟通互相配合,否则只会各行其事而徒劳无功。

此外,有时一个简单的指令与需求,真正执行下来会牵涉到许多不同单位的配合与支持,这时候团队领导者的角色相当重要。万国辉以自己为例,为了让团队的AI工程师专注开发,象是跨单位的协调、沟通与集成则由他一手包办。

以搜集瑕疵样本来说,先是影像存放在哪里里、有无权限取得,接著是否需要协调制程工程师(PE)进行筛选或分类,并确保影像内容的正确性,再者,样本动辄数万张,根本无法靠人工手动搬移,这时就得请IT部门支持写程序,让样本能够从AOI设备中自动搬移到团队的计算机里,而这些都是实务操作上看似不重要,但却又环环相扣的作业流程。

万国辉在团队里还有一个任务,就是帮团队成员「醒脑」。他指出,有时候AI工程师常会被局限在自己所设定的框架中,例如过于追求结果,反而耗费太多时间纠结于模型精准度些微的差异,但却忽略此差异对于实际情况的重要性。这是团队常会面临的瓶颈之一,多数产业在意的是AI的可行性与实用性,如果没有产生实质且显著的改善效果,对于结果来说其实并没有什么不同。

此时NVIDIA的AI专家也扮演相当重要的角色,能够适时以技术的角度切入,建议团队工程师跳脱框架去尝试不同的架构,或许在突破盲点的情况下才有可能获得具体进展。由于团队的AI工程师学术经验丰富,但产业经验不多,因此作为团队的领导者,从产业角度万国辉也得时常紧盯AI工程师的方向对不对,象是当AI Model反复不得预期效果时是否应该另闢蹊径以避免工程师钻到死胡同。产业的节奏相当快,如何能够在最短时间内产生最大效益而免于做白工,不只是矽品团队,对于AI工程师来说,也是一门必修的课题。


  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 矽品 人工智能