新分析方法克服制造智能挑战

宇清数码智能股份有限公司副总经理 徐绍钟

宇清数码智能副总经理徐绍钟指出，其虽为2009年甫成立的新公司，但成员平均拥有逾十年高科技制造业经验，如今自许为「数据侦探」，将针对生产力、成本、良率、生产周期等四大环节，协助用户从巨量数据中寻找改善营运效率的机会。

「数据所含价值，远比你看到的还多！」徐绍钟不讳言说，现今大多数管理阶层仍习于用主观做决策，此比例高达7成之谱，至于另外3成，亦顶多出自于Excel上的平均值、标准差等简单演算法，鲜少触及沈积于海平面的庞大冰山。

如何让冰山浮出海面？以半导体厂的良率分析与改善为例，有经验的工程师都知道，基于制造冗长及组合复杂，所以为了找寻真因，非得把各机台一字排开，就机台与机台之间进行时间趋势的比较，然此一趋近「穷尽法」的分析模式，存在一大盲点，即是看到第十几张比较图，早已忘了第一张图讲些什麽，更何况还有200多张图要看？

此时有人突发想起，设计出内建卷轴的快速看图软件，帮助工程师看完这300张图，但这绝非上上之策，我们要追求的，是透过自动化分析，明确告知「仅需看哪几张图即可」，意即快速缩小范围，以利探索真因；这也说明了，传统Rule-based分析法则，未免太过僵化，显然不适用。

有的晶圆工程师已懂得运用统计软件，但往往要判断A与B有无线性关系，只是不明就理地将已经过化学搅拌者视为0、没有者视为1，根本忽略了数据被赋予的真谛，基本上这样的关联性分析，离散程度仍然偏高。

因此徐绍钟认为，自动化分析系统不仅应回归到「使用者究竟想要什麽」，而且必须做到「谁来分析都一样」，换言之，面对制造业多样且复杂的因子，譬如机台、材料、人员及制造时间…等等，必须整合数据挖掘与统计方法，针对这些因子的影响程度迅速予以量化及排序，以供工程师作为判断依据，如此一来，无论是资深或资浅工程师来做分析，均可获得一致效果。

可以肯定的是，意欲达到上述效果，凭藉传统分析方法，势必有所不足，所以徐绍钟强调，要想克服挑战，必须倚赖一套新的分析方法，藉以剖析诸如空间数据、非结构数据、时间序列数据，「不能单单以一种数据属性来评断一切」，如此才能成功地「深潜到巨量数据」；以机台生产力改善为例，此时不妨视机台为一小型工厂，利用限制理论找出瓶颈步骤，再运用SPC监控瓶颈生产步骤表现，接着透过统计方法排序及检视机台？程序间匹配差异，建立机台监控数据与产出模型，以更换最适零件来减少产出损失，终至提供特定区域排程以建立最佳化模型。

换言之，新的分析流程BPR，有几个关键步骤，首先是藉由排序(分类与分群)、特徵萃取等手段归纳出「What to Do」(例如定义及排序KPI以改善生产周期)，终至建构最佳化模型，以寻求「How to Do」(例如改善生产周期)之解答，唯有如此，才能如愿打开一个个潘朵拉盒子。