01 / 定義預期成果
提供資料，描述預期 成果。
建立專案、上傳範例影像，並說明影像內容及需要辨識的項目。這項檢測目標將引導 Builder Agents。
範例資料 + 製造情境 + 您的目標平台會將資料集及其標註與專案一併保存。您的描述則補充影像本身無法提供的製造情境。
iWave ZeroDefectsBuilder Agent 示範
iWave ZeroDefects／視覺 AI
運用能夠超越日益提高的品質要求的視覺 AI 持續調適。
您的檢測目標為 AI 提供指引。Builder Agents 整合並調校辨識缺陷所需的模型，而訓練、測試與部署則在 ZeroDefects 中管理。
平台實際運作
了解模型集成如何成形
專案專屬模型集成完整的 MLOps + AutoML支援 API 的應用程式
完整的 MLOps + AutoML
一個專案。
完整的 生命週期。
每個專案都在 ZeroDefects 中整合各自的資料、集成模型與 MLOps 流程。
- 01
資料管線
準備並處理專案資料。
- 02
集成模型
管理模型組成及各模型的貢獻權重。
- 03
MLOps 流程
在整個生命週期中進行訓練、驗證與測試。
- 04
資料儲存庫
將各專案資料保存在各自的資料儲存庫中。
- 05
部署
將模型部署至其預定應用。
iWave Builder Agents／擴展專業能力
背後的專業技術 集成模型。
設計集成模型，設定各模型的貢獻權重。這些工作最需要專業知識與時間。我們為 Builder Agents 配備資料科學家、資料工程師及製造工程師的領域技能與工具，讓這些工作得以擴展。
02 / 設計集成模型
圍繞 任務。
Builder Agents 運用資料科學、資料工程與製造領域的專業知識，設計集成模型及其處理流程。目標決定各模型如何協同運作。
Agent-Program-Agent／專業模型組合每個專案都有專屬的集成模型、資料處理流程和 MLOps 流程。模型角色與相對貢獻取決於任務。
iWave ZeroDefectsBuilder Agent 示範
03 / 調整權重
為每個模型恰當地 影響力。
選擇模型只是專業工作的一部分。Builder Agents 也會依據您的資料與預期成果，設定處理流程中各模型的權重。
領域專業知識／模型組合 + 個別權重設定設計集成模型並設定各模型的權重，是這項工作中最需要專業知識的環節。Builder Agents 會自動執行這部分的客製化工作。
iWave ZeroDefectsBuilder Agent 示範
04 / 訓練與驗證
將設計轉化為經測試的 模型。
在專案內繼續進行訓練與驗證。進入後續測試前，檢視資料、訓練設定及訓練階段結果。
完整 MLOps + AutoML／可供檢視的結果模型建構是生命週期的起點。訓練、驗證、測試及部署在 ZeroDefects 中持續銜接。
iWave ZeroDefects訓練與驗證
05 / 檢視結果
了解集成模型如何得出 結果。
使用檢測影像測試處理流程，並檢視各模型的輸出。將集成模型部署至預定應用前，依據證據進行評估。
影像 → 模型輸出 → 檢測結果使用 APIs，圍繞通過資格確認的模型建構應用程式，包括推論、結果儲存、自我學習功能、晶圓圖及 KLARF 更新。
iWave ZeroDefects檢視結果
06 / 適應新任務
新的檢測目標，專業能力 再度發揮。
提供下一組資料集與目標。Builder Agents 會調整模型組合及各模型的權重，接著對變更後的集成模型進行獨立評估。
AI 擴展能力／自動化客製調整可擴展的是針對每項任務調整 AI 的專業工作。新目標會有新的設計，並須獨立完成資格確認。
代理程式－程式－代理程式
Builder Agents 設計並調校集成模型。您再讓模型經過訓練、驗證、測試及部署。同樣的專業能力也能將模型調整以適用於下一項檢測任務。
AI 可擴展性／再次運用專業技術
改變結果。
檢視集成模型 改變。
Builder Agents 根據新資料與目標調整模型組成，並重新平衡各模型的貢獻權重。新的集成模型會接受獨立評估。
示意比較
模型的角色、數量與相對貢獻權重僅為示例，並非指定架構或實測結果。
01 / 原始目標
辨識已知類別。
您的專案簡介“將這些晶圓缺陷分類，讓我們的應用程式能在晶圓圖與 KLARF 檔案中使用分類結果。”
- 範例資料與情境
- 附有經審查缺陷類別的晶圓影像樣本。
- 針對任務的評估
- 使用留出的已標註範例驗證類別判定。
- 預期輸出
- 供應用層使用的缺陷類別結果。
iWave Builder Agents
模型組成與各模型的貢獻皆以分類為設計核心。
原始集成模型 / Candidate design個別貢獻權重
-
A
外觀模型
已選用
較高貢獻 -
B
細節模型
已選用
輔助性貢獻 -
C
類別判定模型
已選用
較高貢獻
專案專屬集成模型候選設計 → 可供訓練
02 / 變更後的目標
找出需要進一步檢視的模式。
您的專案簡介“使用這些晶圓影像標記未知缺陷圖案，以供審查，包括不屬於我們已知類別的圖案。”
- 範例資料與情境
- 具代表性的晶圓影像、作業情境及經審查的離群案例。
- 針對任務的評估
- 使用獨立範例測試未知圖案偵測與誤報情況。
- 預期輸出
- 標記檢測結果，供審查流程使用。
iWave Builder Agents
Builder Agents 針對新目標調整模型組成，並重新平衡各模型的貢獻。
調整後的集成模型 / Candidate design個別貢獻權重
-
A
外觀模型
保留 · 調整貢獻權重
較低貢獻標記：原始貢獻 -
B
細節模型
保留
輔助性貢獻 -
D
未知圖案模型
取代類別判定模型
較高貢獻
調整 A 的貢獻權重，保留 B，並以 D 取代 C。新任務會接受獨立評估。
專案專屬集成模型候選設計 → 可供訓練
Builder 的產出 → 您的模型生命週期
新的集成模型。
獨立的 驗證。
部署前，您會讓調整後的集成模型依序完成訓練、驗證與測試。之後，APIs 會將其連接至您應用程式的推論、結果與審查工作流程。
- 訓練
- 驗證
- 測試
- 部署
應用層／由 APIs 支援
您的製程。
您的 應用。
以平台的推論、結果儲存及自主學習能力為基礎，建構自訂功能。將輸出結果連接至您的作業需求。
對於半導體應用，這可能包括更新 KLARF 檔案與晶圓圖。
探索晶圓檢測案例發揮您的專業，開創嶄新可能。