Steigende Qualitätsanforderungen mit Vision-KI übertreffen, die sich anpasst.
Ihre Inspektionsziele geben der KI die Richtung vor. Builder Agents stellen die für die Defekterkennung benötigten Modelle zusammen und stimmen sie ab; Training, Tests und Bereitstellung werden in ZeroDefects verwaltet.
Jedes Projekt führt seine eigenen Daten, sein Ensemble und seinen MLOps-Prozess in ZeroDefects zusammen.
01
Datenpipeline
Die Projektdaten vorbereiten und verarbeiten.
02
Ensemble-Modell
Modellzusammensetzung und individuelle Beitragsgewichtungen verwalten.
03
MLOps-Prozess
Über den gesamten Lebenszyklus hinweg trainieren, validieren und testen.
04
Datenrepository
Die Daten jedes Projekts in einem eigenen Repository aufbewahren.
05
Bereitstellung
Stellen Sie das Modell für seine vorgesehene Anwendung bereit.
iWave Builder Agents / Fachwissen skalieren
Die Expertise hinter dem Ensemble.
Das Ensemble entwerfen. Den Beitrag jedes Modells festlegen. Hier konzentrieren sich Fachwissen und Zeitaufwand. Wir statten Builder Agents mit den Fachkenntnissen und Werkzeugen von Data Scientists, Data Engineers und Fertigungsingenieuren aus, um diese Arbeit skalierbar zu machen.
01 / Ergebnis definieren
Bringen Sie die Daten ein. Beschreiben Sie das Ergebnis.
Erstellen Sie ein Projekt, laden Sie Beispielbilder hoch und erklären Sie, was darauf zu sehen ist und was erkannt werden soll. Dieses Inspektionsziel leitet die Builder Agents.
Beispieldaten + Fertigungskontext + Ihr Ziel
Die Plattform hält Datensätze und ihre Annotationen im Projekt vor. Ihre Beschreibung ergänzt den Fertigungskontext, den die Bilder allein nicht liefern können.
iWave ZeroDefectsBuilder Agent: Demo
Beschreiben Sie das gewünschte Inspektionsergebnis zusammen mit den Beispielbildern.
02 / Ensemble entwerfen
Bauen Sie das Ensemble passend zur Aufgabe.
Builder Agents nutzen Fachwissen aus Data Science, Data Engineering und Fertigung, um das Ensemble und seine Pipeline zu entwerfen. Das Ziel bestimmt, wie die Modelle zusammenarbeiten.
Agent-Program-Agent / Modellzusammenstellung durch Experten
Jedes Projekt hat ein eigenes Ensemble, eine eigene Datenpipeline und einen eigenen MLOps-Prozess. Die Rollen und relativen Beiträge der Modelle hängen von der Aufgabe ab.
iWave ZeroDefectsBuilder Agent: Demo
Sehen Sie zu, wie der Builder Agent die Modelle zusammenstellt und zum Ensemble verbindet.
03 / Gewichtungen abstimmen
Jedem Modell das richtige Gewicht geben Einfluss.
Die Auswahl der Modelle ist nur ein Teil des Fachwissens. Builder Agents legen auch die Gewichtungen der einzelnen Pipeline-Modelle passend zu Ihren Daten und dem gewünschten Ergebnis fest.
Die Zusammenstellung des Ensembles und die Festlegung der Modellgewichtungen erfordern das meiste Fachwissen. Diese Anpassung automatisieren die Builder Agents.
iWave ZeroDefectsBuilder Agent: Demo
Stimmen Sie den Beitrag jedes Modells auf das Inspektionsziel ab.
04 / Trainieren und validieren
Machen Sie aus dem Entwurf ein getestetes Modell.
Führen Sie Training und Validierung innerhalb des Projekts durch. Prüfen Sie die Daten, die Trainingskonfiguration und die Sitzungsergebnisse, bevor Sie mit weiteren Tests fortfahren.
Mit der Modellerstellung beginnt der Lebenszyklus. Training, Validierung, Tests und Bereitstellung bleiben in ZeroDefects miteinander verbunden.
iWave ZeroDefectsTrainieren und validieren
Trainingskonfiguration und Sitzungsverlauf bleiben beim Projekt.
05 / Ergebnis prüfen
Sehen Sie, wie das Ensemble zu seinem Ergebnis gelangt: Ergebnis.
Testen Sie die Pipeline mit Inspektionsbildern und prüfen Sie die Ausgabe jedes Modells. Nutzen Sie diese Ergebnisse, um das Ensemble vor dem Einsatz in der vorgesehenen Anwendung zu evaluieren.
Bild → Modellausgaben → Inspektionsergebnis
Nutzen Sie APIs, um die Anwendung rund um das qualifizierte Modell zu entwickeln, einschließlich Inferenz, Ergebnisspeicherung, Funktionen für selbstständiges Lernen, Wafer-Maps und KLARF-Aktualisierungen.
iWave ZeroDefectsErgebnis prüfen
Verfolgen Sie das Bild durch die Pipeline und prüfen Sie die Ausgabe jedes Modells.
06 / An eine neue Aufgabe anpassen
Ein neues Inspektionsziel. Fachwissen erneut angewendet. Erneut.
Bringen Sie den nächsten Datensatz und das nächste Ziel ein. Builder Agents passen die Modellzusammensetzung und die einzelnen Gewichtungen an; anschließend durchläuft das veränderte Ensemble eine eigene Evaluierung.
KI-Skalierbarkeit / Automatisierung der Anpassung
Skalierbar ist die Expertenarbeit bei der Anpassung der KI an jede Aufgabe. Ein neues Ziel erhält ein neues Design und eine eigene Qualifizierung.
Fachwissen für die nächste Aufgabe nutzen
Neue Daten. Neues Ziel.
Zusammensetzung der Modelle
Modelle je nach Aufgabe beibehalten, ersetzen oder hinzufügen.
Gewichtung der einzelnen Modelle
Den Beitrag jedes Modells neu gewichten.
Qualifizierung
Das angepasste Ensemble trainieren, validieren und testen.
Builder Agents entwerfen und optimieren das Ensemble. Sie führen es durch Training, Validierung, Tests und Bereitstellung. Dieselbe Expertise passt es an die nächste Inspektionsaufgabe an.
KI-Skalierbarkeit / Expertise erneut eingesetzt
Das Ergebnis verändern. Das Ensemble ansehen Veränderung.
Builder Agents nutzen die neuen Daten und das neue Ziel, um die Modellzusammensetzung zu überarbeiten und die einzelnen Beiträge neu zu gewichten. Das neue Ensemble wird eigenständig bewertet.
Veranschaulichender Vergleich
Modellrollen, Anzahl und relative Gewichtungen sind Beispiele, keine vorgegebene Architektur oder gemessenen Ergebnisse.
01 / Ursprüngliches Ziel
Bekannte Klassen erkennen.
Ihre Projektbeschreibung“Diese Waferdefekte klassifizieren, damit unsere Anwendung die Ergebnisse in Waferkarten und KLARF-Dateien nutzen kann.”
Beispieldaten + Kontext
Beispiel-Waferbilder mit überprüften Defektklassen.
Projektspezifisches EnsembleEntwurf eines Kandidaten → bereit für das Training
02 / Geändertes Ziel
Muster finden, die genauer untersucht werden müssen.
Ihre Projektbeschreibung“Nutzen Sie diese Waferbilder, um unbekannte Defektmuster zur Überprüfung zu markieren, auch wenn sie außerhalb unserer bekannten Klassen liegen.”
Beispieldaten + Kontext
Repräsentative Waferbilder, Betriebskontext und überprüfte Ausreißer.
Aufgabenspezifische Bewertung
Die Erkennung unbekannter Muster und Fehlalarme anhand separater Beispiele testen.
Vorgesehene Ausgabe
Markierte Inspektionsergebnisse für einen Prüfworkflow.
✳
iWave Builder Agents
Builder Agents überarbeiten die Zusammensetzung und gewichten die Beiträge für das neue Ziel neu.
↳ Der Beitrag von A wird neu gewichtet. B bleibt erhalten. C wird durch D ersetzt. Die neue Aufgabe wird eigenständig bewertet.
↓
Projektspezifisches EnsembleEntwurf eines Kandidaten → bereit für das Training
Builder-Ergebnis → Ihr Modelllebenszyklus
Ein neues Ensemble. Eigenständige Qualifizierung.
Sie führen das angepasste Ensemble vor der Bereitstellung durch Training, Validierung und Tests. Anschließend verbinden APIs es mit den Inferenz-, Ergebnis- und Überprüfungsabläufen Ihrer Anwendung.
Erstellen Sie auf Basis der Plattform maßgeschneiderte Funktionen für Inferenz, Ergebnisspeicherung und selbstlernende Fähigkeiten. Binden Sie die Ausgaben in die Abläufe Ihres Betriebs ein.
Bei Halbleiteranwendungen kann das auch die Aktualisierung von KLARF-Dateien und Waferkarten umfassen.
