01 / 明确目标结果
提供数据，描述期望的 结果。
创建项目，上传样本图像，并说明图像展示的内容以及需要识别的对象。该检测目标将为 Builder Agents 提供指引。
样本数据 + 制造场景 + 您的目标平台将数据集及其标注保留在项目中。您的描述则补充图像本身无法提供的制造场景信息。
iWave ZeroDefectsBuilder Agent 演示
iWave ZeroDefects / 视觉 AI
借助能够应对日益提高的质量要求的视觉 AI 持续适应。
您的检测目标为 AI 提供指引。Builder Agents 组合并调优识别缺陷所需的模型，而训练、测试和部署则在 ZeroDefects 中管理。
平台的实际运作
了解集成模型如何成形
项目专属集成模型完整的 MLOps + AutoML支持 API 的应用
完整的 MLOps + AutoML
一个项目。
一套完整的 生命周期。
每个项目都在 ZeroDefects 中整合各自的数据、集成模型和 MLOps 流程。
- 01
数据流水线
准备并处理项目数据。
- 02
集成模型
管理模型组合及各模型的贡献权重。
- 03
MLOps 流程
在整个生命周期中进行训练、验证和测试。
- 04
数据存储库
将每个项目的数据保存在各自的存储库中。
- 05
部署
将模型部署到其预定应用场景。
iWave Builder Agents / 扩展专业能力
背后的专业知识 集成模型。
设计集成模型，设置各模型的贡献权重。这些工作最需要专业知识和时间投入。我们为 Builder Agents 配备数据科学家、数据工程师和制造工程师的领域技能与工具，使这项工作能够规模化开展。
02 / 设计集成模型
围绕 任务。
Builder Agents 运用数据科学、数据工程和制造领域的专业知识，设计集成模型及其处理流程。目标决定各模型如何协同工作。
智能体-程序-智能体 / 专业模型组合每个项目都有自己的集成模型、数据处理流程和 MLOps 流程。模型的作用及相对贡献取决于任务。
iWave ZeroDefectsBuilder Agent 演示
03 / 调整权重
为每个模型分配恰当的权重 贡献。
选择模型只是专业工作的一部分。Builder Agents 还会根据您的数据和期望结果，设定处理流程中各模型的贡献权重。
领域专业知识 / 模型组合 + 各模型权重分配设计集成模型并设定各模型的权重，是这项工作中最需要专业知识的环节。Builder Agents 会自动完成这部分定制工作。
iWave ZeroDefectsBuilder Agent 演示
04 / 训练与验证
将设计转化为经过测试的 模型。
在项目中继续完成训练和验证。进入后续测试前，审查数据、训练配置和会话结果。
完整 MLOps + AutoML / 可供审查的结果模型构建是生命周期的起点。训练、验证、测试和部署在 ZeroDefects 中保持衔接。
iWave ZeroDefects训练与验证
05 / 检查结果
了解集成模型如何得出 结果。
使用检测图像测试处理流程，并检查每个模型的输出。在部署到预期应用之前，依据这些证据评估集成模型。
图像 → 模型输出 → 检测结果使用 APIs，围绕通过验证的模型构建应用，包括推理、结果存储、自学习功能、晶圆图和 KLARF 更新。
iWave ZeroDefects检查结果
06 / 适配新任务
新的检测目标，专业能力 再次应用。
提供下一组数据集和目标。Builder Agents 会调整模型组合及各模型的贡献权重，随后对调整后的集成模型进行独立评估。
AI 可扩展性 / 自动化定制可扩展的是针对每项任务调整 AI 的专家工作。新目标需要新的设计和单独的验证。
智能体-程序-智能体
Builder Agents 设计并调优集成模型。您负责推进训练、验证、测试和部署。同样的专业能力可用于使其适应下一个检测任务。
AI 可扩展性 / 专业能力再次发挥作用
改变结果。
查看集成模型 改变。
Builder Agents 根据新数据和新目标调整模型组合，重新平衡各模型的贡献权重。新的集成模型需单独评估。
示意性比较
模型的角色、数量和相对贡献权重仅为示例，并非规定的架构或实测结果。
01 / 原始目标
识别已知类别。
您的项目需求简述“对这些晶圆缺陷进行分类，以便我们的应用在晶圆图和 KLARF 文件中使用分类结果。”
- 样本数据 + 背景信息
- 带有经审核缺陷类别的晶圆图像样本。
- 针对任务的评估
- 使用留出的已标注样本验证类别判定结果。
- 预期输出
- 供应用层使用的缺陷类别结果。
iWave Builder Agents
模型组合和各模型的贡献均围绕分类任务设计。
原始集成模型 / Candidate design各模型的贡献权重
-
A
外观模型
已选用
贡献较高 -
B
细节模型
已选用
辅助贡献 -
C
类别判定模型
已选用
贡献较高
针对项目的集成模型候选设计 → 准备训练
02 / 变更后的目标
发现需要进一步检查的模式。
您的项目需求简述“使用这些晶圆图像标记未知缺陷图案以供审核，包括不属于我们已知类别的图案。”
- 样本数据 + 背景信息
- 具有代表性的晶圆图像、运行背景及经审核的异常样本。
- 针对任务的评估
- 使用独立样本测试对未知缺陷图案的检测及误报情况。
- 预期输出
- 为复核流程标记的检测结果。
iWave Builder Agents
Builder Agents 调整模型组合，并针对新目标重新平衡各模型的贡献。
调整后的集成模型 / Candidate design各模型的贡献权重
-
A
外观模型
保留 · 调整贡献权重
贡献较低标记：原始贡献 -
B
细节模型
保留
辅助贡献 -
D
未知图案模型
替换类别判定模型
贡献较高
调整 A 的贡献权重，保留 B，用 D 替换 C。新任务需单独评估。
针对项目的集成模型候选设计 → 准备训练
Builder 的输出 → 您的模型生命周期
新的集成模型。
单独进行 资格验证。
部署前，您需对适配后的集成模型进行训练、验证和测试。随后，APIs 将其接入您应用的推理、结果处理和审核工作流程。
- 训练
- 验证
- 测试
- 部署
应用层 / 由 APIs 支持
您的流程。
您的 应用。
基于平台构建自定义功能，包括推理、结果存储和自学习能力。将输出结果接入实际运营工作。
对于半导体应用，这可能包括更新 KLARF 文件和晶圆图。
了解晶圆检测案例凭借您的专业经验，开启新的可能。