矽品导入智能判图技术实务经验分享

矽品精密工业事业三处技术开发处长万国辉博士。

导入AI解决方案究竟是要仰赖外包？还是自组团队培养相关分析技术？矽品精密工业事业三处技术开发处长万国辉博士指出，矽品目前中科厂有晶圆凸块、晶圆级封装生产线，在产品出货前，需要自动光学机器检查加上人工复判的流程，因此希望运用AI机器导入智能判图，来缩短作业时间、节省人力。

在AI Landing执行策略及资源规划方面，矽品考量AI影像识别技术逐渐成熟，可以首先应用AI方案到工厂出货检测方面。只是这项技术应该外包给外部AI团队执行，还是自己培养软件能力、购买硬件资源架设Training Server？在全面评估后，矽品决定自己召募人才，因此第一步听取合作夥伴NVIDIA建议招募工程师，并采购NVIDIA DGX-2、Inference Server使用NVIDIA GPU。

人才到位后，下一步即是拟定团队的工作目标。万国辉特别强调，这方面的工作项目相当繁杂，包含掌握生产线的需求顺序、相片数据、审查委员等规划，同时还要建立在线系统架构、基础模型、在线DB等。换言之，要导入AI Landing需要经历训练排程、模型精进、相片整理分类、训练用电脑、模型履历迭代记录等一系列工作。同时产品上线之前，还要进行离线验证模型、在线效能监控、模型上线审查等程序。

企业组织导入AI方案真正的考验，是建立深度学习训练模型。万国辉分享他们面临的一些挑战，第一项需克服的难题是相片复杂性及模型的泛化性。因为客户产品多元、各类产品的型号也不同，因此AOI机台会拍出不同规格的照片。加上产品外观差异以及IC背景不同，都会干扰照片拍出来的效果。这些问题会让AI做缺陷分类判断时面临挑战，也会影响后续建模计划。对此，矽品采用的方式是从缺陷类型中分组，让AI模型持续做Transfer Learning，透过Generic Model提升泛化能力，后续训练的效率就会逐渐加速。

第二类挑战则是无法预测训练效果。如果AI判断的效率没有提升，在参数设定上就难以掌握效能无法提升的真实原因。这部分万国辉回应说，他们只能持续Trial-and-Error，而且搭配性能够好的Training Server，让数据训练兼顾数量及质量。

另一方面，训练模型架构将持续透过监督式、非监督式学习共同执行，训练方法采用Loss Function、Optimizer、Hyper-Parameters等模式，并建议多参考研究论文以获得最新的训练技术。深度学习模型部署应用到生产线之前，还要让模型做离线测试进行人机定型，让人力跟机器都同时判断以确认是否漏检，如果都达到标准，才能把训练模型正式上线。且后续要持续校正、检查模型跟人为判断是否有差异，每天抽检一批做监测模拟，如果有误差就让模型重新训练。唯有持续调校模型，在准确度、训练时间等效能指标才会持续提升。

在快速变动的科技产业中，面对大环境反覆难缠疫情影响，矽品精密以敏捷团队精准导入智能判图技术，不仅让团队成员成功创造最大价值，更为组织朝向智能工厂迈进缴出一张亮眼成绩单。