01 / 目標を定義
データを用意し、 目標を説明する。
プロジェクトを作成し、サンプル画像をアップロードして、画像に何が写っているか、何を識別する必要があるかを説明します。その検査目標がBuilder Agentsの指針になります。
サンプルデータ＋製造現場の背景情報＋目標プラットフォームはデータセットとそのアノテーションをプロジェクト内で管理します。説明を加えることで、画像だけでは伝わらない製造現場の背景情報を補えます。
iWave ZeroDefectsBuilder Agentのデモ
iWave ZeroDefects / ビジョンAI
高まる品質要求を上回る、ビジョンAIが 適応する。
検査目標がAIの指針となります。Builder Agentsは欠陥の認識に必要なモデルを組み合わせて調整し、学習、テスト、デプロイはZeroDefectsで管理します。
稼働するプラットフォーム
アンサンブルが形になる過程を見る
プロジェクト専用のアンサンブル包括的なMLOps + AutoMLAPI対応アプリケーション
包括的なMLOps + AutoML
一つのプロジェクト。
完全な ライフサイクルを。
ZeroDefectsでは、プロジェクトごとに固有のデータ、アンサンブル、MLOpsプロセスを統合します。
- 01
データパイプライン
プロジェクトのデータを準備・処理します。
- 02
アンサンブルモデル
モデルの構成と各モデルの寄与度を管理します。
- 03
MLOpsプロセス
ライフサイクルを通じて学習、検証、テストを実施します。
- 04
データリポジトリ
各プロジェクトのデータを、それぞれ専用のリポジトリに保持します。
- 05
デプロイ
想定する用途に向けてモデルをデプロイします。
iWave Builder Agents / 専門知識の活用を拡大
その背景にある専門知識 アンサンブル。
アンサンブルを設計し、各モデルの寄与度を設定する。ここに専門知識と時間が集中します。私たちはBuilder Agentsに、データサイエンティスト、データエンジニア、製造エンジニアの専門スキルとツールを備え、この作業を拡張可能にします。
02 / アンサンブルを設計
アンサンブルを タスクに合わせる。
Builder Agentsはデータサイエンス、データエンジニアリング、製造の専門知識を生かして、アンサンブルとそのパイプラインを設計します。モデルの連携方法は目標によって決まります。
Agent-Program-Agent／専門知識に基づくモデル構成各プロジェクトには、専用のアンサンブル、データパイプライン、MLOpsプロセスがあります。モデルの役割と相対的な寄与度はタスクによって異なります。
iWave ZeroDefectsBuilder Agentのデモ
03 / 重みを調整
各モデルに適切な重みを設定 寄与度。
モデルの選択は専門知識の一部にすぎません。Builder Agentsは、データと求める結果に合わせて、パイプライン内の各モデルの寄与度も設定します。
ドメインの専門知識／モデル構成＋個別の重み付けアンサンブルの設計と各モデルの寄与度を決める重みの設定は、作業の中で最も高度な専門知識を要します。Builder Agentsは、このカスタマイズを自動化します。
iWave ZeroDefectsBuilder Agentのデモ
04 / トレーニングと検証
設計をテスト・ 検証済みのモデルに。
プロジェクト内でトレーニングと検証を進めます。追加のテストに進む前に、データ、トレーニング設定、セッション結果を確認します。
包括的なMLOps＋AutoML／確認可能な結果モデルの構築はライフサイクルの始まりです。トレーニング、検証、テスト、導入まで、ZeroDefects内で一貫して扱えます。
iWave ZeroDefectsトレーニングと検証
05 / 結果を確認
アンサンブルがどう導くかを確認する、 結果が出るまで。
検査画像でパイプラインをテストし、各モデルの出力を確認します。想定する用途に導入する前に、その根拠を基にアンサンブルを評価します。
画像 → モデルの出力 → 検査結果APIsを使用し、適格性が確認されたモデルを中心に、推論、結果の保存、自己学習機能、ウェーハマップ、KLARFの更新を含むアプリケーションを構築します。
iWave ZeroDefects結果を確認
06 / 新しいタスクに適応
新しい検査目標にも、専門知識を 再び適用する。
次のデータセットと目標を用意します。Builder Agentsがモデルの構成と各モデルの寄与度を見直し、変更後のアンサンブルを個別に評価します。
AIの拡張性／カスタマイズの自動化拡張可能なのは、各タスクに合わせてAIを適応させる専門的な作業です。新しい目標には新しい設計と、その設計に固有の適格性確認が必要です。
次のタスクに活かされる専門知識
新しいデータ。新しい 目標。
- モデル構成
- タスクに合わせてモデルを維持、置換、または追加します。
- 各モデルの寄与度
- 各モデルの寄与度を再調整します。
- 適格性の確認
- 変更したアンサンブルを学習、検証、テストします。
エージェント・プログラム・エージェント
Builder Agentsがアンサンブルを設計・調整します。お客様はトレーニング、検証、テスト、デプロイを進めます。同じ専門知識を次の検査タスクにも適用できます。
AIのスケーラビリティ／専門知識を再び活用
成果を変える。
アンサンブルを見る 変える。
Builder Agentsは新しいデータと目的に基づいてモデル構成を見直し、各モデルの寄与度を再調整します。新しいアンサンブルは個別に評価します。
比較例
モデルの役割、数、相対的な寄与度は例示であり、規定されたアーキテクチャや実測結果ではありません。
01 / 元の目的
既知のクラスを識別します。
お客様のプロジェクト概要“これらのウェーハ欠陥を分類し、アプリケーションがその結果をウェーハマップやKLARFファイルで利用できるようにします。”
- サンプルデータと背景情報
- 欠陥クラスがレビュー済みのサンプルウェーハ画像。
- タスク別の評価
- 学習に使用していないラベル付きの事例に照らして、クラス判定を検証します。
- 想定される出力
- アプリケーション層向けの欠陥クラス分類結果。
iWave Builder Agents
構成と各モデルの寄与度は、分類を中心に設計されています。
元のアンサンブル / Candidate design個別の寄与度設定
-
A
外観モデル
選択
寄与度が高い -
B
詳細モデル
選択
補助的な寄与 -
C
クラス判定モデル
選択
寄与度が高い
プロジェクト固有のアンサンブル候補設計 → 学習の準備完了
02 / 変更後の目的
詳しい確認が必要なパターンを見つけます。
お客様のプロジェクト概要“これらのウェーハ画像を使用し、既知のクラスに属さないものも含め、未知の欠陥パターンをレビュー対象としてフラグ付けします。”
- サンプルデータと背景情報
- 代表的なウェーハ画像、運用状況、レビュー済みの外れ値。
- タスク別の評価
- 別の事例を用いて、未知のパターンの検出と誤警報をテストします。
- 想定される出力
- レビューワークフロー向けにフラグを付けた検査結果。
iWave Builder Agents
Builder Agentsが新しい目的に合わせて構成を見直し、寄与度を再調整します。
適応後のアンサンブル / Candidate design個別の寄与度設定
-
A
外観モデル
維持・寄与度を再調整
寄与度が低いマーカー：元の寄与度 -
B
詳細モデル
維持
補助的な寄与 -
D
未知のパターンを検出するモデル
クラス判定モデルを置き換え
寄与度が高い
Aの寄与度を再調整します。Bは維持します。CをDに置き換えます。新しいタスクは個別に評価します。
プロジェクト固有のアンサンブル候補設計 → 学習の準備完了
Builderの出力 → お客様のモデルライフサイクル
新しいアンサンブル。
独自の 適格性評価。
適応させたアンサンブルは、導入前にお客様が学習、検証、テストを行います。その後、APIsを通じて、お客様のアプリケーションの推論、結果、レビューのワークフローに接続します。
- 学習
- 検証
- テスト
- デプロイ
アプリケーション層／APIsで実現
お客様のプロセス。
お客様の 用途。
推論、結果の保存、自己学習機能を備えたプラットフォーム上にカスタム機能を構築します。その出力を、現場で必要な業務につなげます。
半導体向けアプリケーションでは、KLARFファイルやウェーハマップの更新が含まれる場合があります。
ウェーハ検査の事例を見るあなたの専門知識から、新たな可能性へ。