对于正在考虑使用人工智能 (AI) 和机器学习 (ML) 技术的半导体晶圆厂管理者来说，有一些需要考虑的问题：针对您的特定问题开发 AI/ML 模块的生命周期是什么？ 使用 AutoSched®、Activity Manager® 和 APF Formatter 等 SmartFactory 高效产品在您当前使用的系统和生产环境中实施 AI/ML 模块的有效方式是什么？ 您是否了解涵盖 AI/ML 模块开发的全生命周期的集成化解决方案？
制造商依赖于我们的 SmartFactory高效人工智能/机器学习（AI/ML）平台，支持整个 AI/ML 模型的开发生命周期，能够将开发前置时间缩短 30% 以上。
AI/ML 模块开发生命周期的标准步骤
AI/ML 模块开发生命周期包含四个标准步骤：准备和获取数据、定义和计算特征、训练和评估 ML 模型，以及部署和监控模型（见图 1）。
- 步骤 1： 数据准备和获取。 如果晶圆厂的历史数据或设备数据已准备好，那么首先将进行数据采集和清洗。 如果历史数据不足以表征未来的变化，则需要扩充数据。
- 步骤 2： 特征定义/计算。 在晶圆厂或设备数据准备完成之后，晶圆厂运营团队应定义要解决的关键问题特征，包括设备统计信息和工作属性。 在团队对特征进行定义之后，将进行自动计算。
- 步骤 3： ML 模型训练和评估。 解决问题的最佳 ML 算法是哪种？ 套索回归？ Xgboost？ 团队会根据问题类型确定适当的算法。 在此步骤中，团队会根据需要进行重复训练和评估，然后根据结果调整特征和参数/超参数。
- 步骤 4： 部署和监控。 在这一最后的步骤中，模型得以部署到生产中，但请注意，这种部署不会影响当前生产系统的性能。 部署简单高效。 在团队实施模型之后，通过实时监控可以得知模型的性能和对生产的影响。
晶圆厂借助 SmartFactory 高效 Al/ML 平台提高效率
晶圆厂在使用 AutoSched、APF Formatter、Activity Manager 和 Solution UI 等 SmartFactory 高效 AI/ML 平台组件之后，能够直接将这些模块集成到生产环境中，无需像通常那样在 AI/ML 开发生命周期的每一步开发单独的 python 程序。 集成这些模块，帮助晶圆厂降低成本，避免对额外开发资源的需求（见图 2）。
- 步骤 1： 在准备和获取数据时： 如果晶圆厂管理者需要为新的晶圆厂或设备数据进行数据扩充，AutoSched 是一款出色的模拟产品，能够针对新的晶圆厂行为和设备统计信息扩充数据。
- 步骤 2： 在定义和计算特征时： 在定义了一整套特征之后，应自动化进行特征计算。 如果需要新的特征，那么在当前环境中添加新特征并修改现有特征应该很容易。Activity Manager 可进行自动化流程，而使用 APF Formatter 能够轻松实施特征计算。
- 步骤 3： 在进行 ML 模型训练和评估时： 在此步骤中，初始模型训练和评估将会在一般的 python 开发环境中进行。 平台将使用即用型 ML 模型，从而解决常见的工厂生产效率和供应链问题。 这些模型是“基线”模型，晶圆厂也可以根据需要自由修改和重用。 此外，Solution UI 能够提供多种多样的评估界面，从而加速模型训练和评估。
- 步骤 4： 在开发和监控 ML 模型时： 在生产中部署 ML 模型不应给当前生产系统造成负担，并且最好在当前规则开发人员熟悉的环境中进行。 如果这些开发人员能够将 APF Formatter 作为其规则开发工具以及部署工具（见图 3），那么效果将更为理想。 规则开发人员可以简单地使用 Python 代码块将 ML 模型部署到生产中，这与当前方式别无二致。 Solution UI 能够提供仪表盘，能实时监控模型性能以及对晶圆厂的影响。
使用我们的 Solution UI 集成 AI/ML 开发生命周期
图 4 显示了我们的 Solution UI 如何与整个 AI/ML 模块开发生命周期相集成。 晶圆厂可以使用我们的 Solution UI 来配置参数、查看评估分析，并在部署之后进行实时监控。 此外，晶圆厂还能够了解下一步要执行的特定任务，并检查多个分析信息数据来识别潜在的问题。生命 周期中的每一步骤都能高效集成，并为每一步骤提供宝贵的信息，从而加速整个开发流程。
