01 / 成果を定義する
データを持ち込み、 目的を説明する。
サンプルデータセットをアップロードするか、データソースを接続します。データが何を表すか、運転状況、達成したい成果を説明します。
データ＋ドメインの背景情報＋目指す成果このウォークスルーでは、チラーの警告を例に進めます。エージェントはモデリングを始める前に、運転条件と有用な警告の先行時間を明確にします。
iWave InsightBuilder Agentのデモ
iWave Insight ／ プロセスインテリジェンス
自己最適化を支えるインテリジェンス 製造。
生産データを、条件の変化に応じたプロセスの適応に役立つ推奨事項へと変えます。Builder Agentsがラン・ツー・ラン最適化を支えるモデルを開発・テストし、適格性が確認された自動化システムが調整を適用します。
稼働するプラットフォームモデルの調査
Builder Agentsによる調査を見る
すべてのモデルに専門領域の知見をエージェント・プログラム・エージェントによるカスタマイズ追跡可能な推奨事項
単一のプラットフォーム ／ データからガバナンスの効いたモデルまで
構築。評価。
継続する エビデンス。
Builder Agentsは、データの来歴、モデルのバージョン、適格性確認、監視を結びつけるライフサイクルの中で、モデリングを自動化します。
- 01
詳しく見る
課題を定義し、データを検証する。
- 02
準備
データの欠落に対処し、入力データを準備します。
- 03
評価基準
モデル候補の評価方法を定めます。
- 04
検索
複数の仮説を立て、検証します。
- 05
検証
結果の根拠となるモデルとエビデンスを確認します。
エンジニアが課題の定義、準備、評価基準を承認した後、結果を確認します。承認されたモデル探索は、その間の工程で自律的に実行できます。
ラン・トゥ・ランの最適化 ／ 運用ループ
各生産回の結果が次に生かされる 次へ。
プロセスにドリフトが生じたときは、得られた知見を次のランに活かす必要があります。Insightはプロセス履歴と測定値から推奨事項を生成します。適格性が確認された自動化システムが、その推奨事項を適用してフィードバックループを完結させます。
実際のユースケース
ダイボンダー 自己修復。
実際の製造現場での適用例：Insightの推奨とAutopilotによる調整を使った、エポキシ塗布後のドリフト補正。各ステップの下にあるダイボンダーの例をご覧ください。
- 01 / プロセスの実績データ
確認する 実行。
完了した生産回の測定値、プロセス条件、目標を照らし合わせます。
測定結果＋プロセス目標ダイボンダー / 01エポキシ塗布後のドリフトを検出
エポキシ塗布後の検査結果から、ダイボンディング工程でドリフトが進行していることが明らかになります。
- 02 / iWave Insight
推奨する 調整。
適格性が確認されたモデルが証拠を評価し、その限界と来歴を示したうえで、次の調整を提案します。
エビデンスに基づく推奨ダイボンダー / 02補正量を決定
Insightはドリフトを評価し、エポキシ塗布ガンの圧力と高さについて推奨補正値を算出します。
- 03 / 適格性が確認された自動化
検証し、 適用。
Autopilotまたは適格性が確認された別のシステムが運転限界を確認し、承認された調整のみを適用します。
承認済みの装置操作ダイボンダー / 03Autopilotがオフセットを調整
Autopilotは適格性が確認された圧力と高さのオフセットを適用してドリフトを補正し、エポキシに関するエラーの発生を防ぎます。
- 04 / 次の生産回
測定 再び。
新たな結果を目標と照らして評価します。その結果を次の推奨に反映します。
新たなエビデンス → 次の推奨ダイボンダー / 04結果を継続して監視する
このソリューションはエポキシ工程後の結果を継続的に監視し、補正の効果を確認するとともに、さらなるドリフトがないかを見守ります。
これが、適格性が確認された自己修復プロセスの基盤です。Insightがインテリジェンスを提供し、適格性が確認された自動化システムが装置への操作を担います。
iWave Autopilotを見るiWave Builder Agents ／ 専門知識の実践
一つひとつを支える専門知識 推奨。
難しいのは、何をモデル化し、どの証拠が不足していて、どのアプローチが有効かを見極めることです。Builder Agentsは、製造とデータサイエンスの専門知識を活用して、この調査を自動化します。
02 / 仮説を立てる
一つの目的を、 検証可能な仮説に。
Builder Agentsは有望なモデリング手法を検討し、それぞれに必要な証拠を特定して、代替案のテスト方法を定めます。ドメインの専門知識が調査の方向を決めます。
エージェント・プログラム・エージェント／専門的な調査を自動化仮説は物理的な故障原因だけでなく、異なるモデルや特徴量の選択にも及びます。各候補にはテストする理由と明確なデータ要件があります。
iWave InsightBuilder Agentのデモ
03 / データ不足に対処する
不足している証拠を 明らかにする。
Builder Agentsはデータの不足を特定し、それがなぜ重要かを示します。証拠を追加するか、対象範囲を絞るかを選べます。エージェントが欠けた観測データを作り出すことはありません。
証拠の不足／進め方はユーザーが判断裏付けのない候補はテストしません。この例では、ユーザーは利用可能な証拠で続行します。振動に関する仮説は表示したまま、データを待つ候補として順位付けから除外します。
iWave InsightBuilder Agentのデモ
04 / テストして比較する
エビデンスを判断の指針に 選定へ。
ベンチマークの承認後、Builder Agentsは合意した目的に照らして、モデルと特徴量の組み合わせをテストします。結果を比較し、候補の性能が優れる理由を確認できます。
承認されたベンチマーク → 自律的な探索 → レビュー追加の測定値、確認されたインシデント、保全の調査結果が得られ次第、選定した手法をそれらに照らして評価します。
iWave InsightBuilder Agentのデモ
05 / 確認して推奨する
証拠を確認する、 行動する前に。
エンジニアが結果とその限界を確認します。ラン間の最適化では、適格性を確認したモデルが調整の推奨に役立ち、設備への操作はAutopilotまたは別の適格性を確認したシステムが担います。
Insightが推奨／適格性を確認した自動化システムが実行このデモでは、サンプルデータを用いて設備の状態に関する警告を評価します。上記のダイボンダーの運転ループは、推奨が別途適格性を確認した設備ワークフローにどうつながるかを示しています。
iWave InsightBuilder Agentのデモ
06 / 目的を変える
目的が変われば、 調査を組み直す。
プロセスや目標が変われば、必要なデータ、仮説、テストも変わります。Builder Agentsはその調整を自動化し、専門知識を次の製造課題に活かせるようにします。
AIの拡張性／新たな状況には新たな評価をラン間の最適化に必要な調査と、劣化の警告に必要な調査を比較します。それぞれの結果は、固有の目的に対して適格性を確認します。
06 / カスタマイズによるAIの拡張性目的を変更。
目的を変更。
再構築する 調査。
目的を変更すると、Builder Agentsがそれに合わせてデータ要件、モデルの仮説、評価をカスタマイズします。
ラン間の最適化
次回のランをどう調整すべきか提案
- 状況
- プロセスのトレースデータ＋ラン設定
- 維持
- 成果を示す証拠
- 関連付けられた計測結果
- 必要
- モデルの仮説
- プロセス応答とドリフトの候補
- カスタマイズ後
- 評価
- 予測誤差と推奨内容の妥当性
- Task-specific
- 認定済みの出力
- 根拠を追跡できるラン間の調整提案
- 成果
劣化の警告
装置の劣化をより早期に特定
- 状況
- 関連する装置のトレースデータ＋稼働履歴
- 維持
- 成果を示す証拠
- 保守イベント＋その後の状態を示す証拠
- 変更後
- モデルの仮説
- 時系列の異常検知と予測の候補
- 変更後
- 評価
- 警告のリードタイムと誤警報の傾向
- 新たなテスト
- 認定済みの出力
- 根拠に基づく調査の提案
- 新たな成果
新しい目的について、個別に評価と適格性確認を行います。
Builder Agentsがカスタマイズを自動化。 得られたモデルを、その目的に対して評価します。
エージェント・プログラム・エージェント
Builder Agentsはデータパイプライン、モデル候補、テストをカスタマイズします。エンジニアが結果を確認し、適格性を認定します。Insightは適格性が確認されたモデルを使用して推奨事項を生成します。
AIの拡張性 / カスタマイズの自動化
新たな目標。
専門知識を適用する場面 拡張。
プロセスや目標が変われば、モデリング作業も変わります。Builder Agentsはデータの準備、仮説、評価をそれに合わせて調整し、次の課題に専門知識を生かします。
変更後の目標を比較- プロセスを変更
- 別の装置履歴、変数、測定値を導入します。モデルの前提を見直し、新たな条件を検証します。
- 目標を変更
- ラン・トゥ・ランの推奨から劣化の警告へと移行します。必要なエビデンス、モデル候補、成功基準も合わせて変わります。
- 結果を評価する
- モデルを使用する前に、新たなエビデンスと制約を検証します。カスタマイズと評価を通じて、専門知識をより広く活用できます。
別の用途
必要な箇所に計測を集中する 最大限に。
Insightは装置の健全性を利用して、計測対象のサンプリングに優先順位を付けることもできます。健全性の低い装置で処理されたロットは優先順位を高く、健全性の高い装置で処理されたロットは低くします。優先順位が低いことは、計測を自動的に省略することを意味しません。
装置の健全性に基づくロットサンプリングを見るあなたの専門知識から、新たな可能性へ。