新分析方法克服製造智能挑戰
- 闞大成
-
宇清數位智慧副總經理徐紹鐘指出，其雖為2009年甫成立的新公司，但成員平均擁有逾十年高科技製造業經驗，如今自許為「數據偵探」，將針對生產力、成本、良率、生產週期等四大環節，協助用戶從巨量資料中尋找改善營運效率的機會。
「資料所含價值，遠比你看到的還多！」徐紹鐘不諱言說，現今大多數管理階層仍習於用主觀做決策，此比例高達7成之譜，至於另外3成，亦頂多出自於Excel上的平均值、標準差等簡單演算法，鮮少觸及沈積於海平面的龐大冰山。
如何讓冰山浮出海面？以半導體廠的良率分析與改善為例，有經驗的工程師都知道，基於製造冗長及組合複雜，所以為了找尋真因，非得把各機台一字排開，就機台與機台之間進行時間趨勢的比較，然此一趨近「窮盡法」的分析模式，存在一大盲點，即是看到第十幾張比較圖，早已忘了第一張圖講些什麼，更何況還有200多張圖要看？
此時有人突發想起，設計出內建捲軸的快速看圖軟體，幫助工程師看完這300張圖，但這絕非上上之策，我們要追求的，是透過自動化分析，明確告知「僅需看哪幾張圖即可」，意即快速縮小範圍，以利探索真因；這也說明了，傳統Rule-based分析法則，未免太過僵化，顯然不適用。
有的晶圓工程師已懂得運用統計軟體，但往往要判斷A與B有無線性關係，只是不明就理地將已經過化學攪拌者視為0、沒有者視為1，根本忽略了資料被賦予的真諦，基本上這樣的關聯性分析，離散程度仍然偏高。
因此徐紹鐘認為，自動化分析系統不僅應回歸到「使用者究竟想要什麼」，而且必須做到「誰來分析都一樣」，換言之，面對製造業多樣且複雜的因子，譬如機台、材料、人員及製造時間…等等，必須整合數據挖掘與統計方法，針對這些因子的影響程度迅速予以量化及排序，以供工程師作為判斷依據，如此一來，無論是資深或資淺工程師來做分析，均可獲得一致效果。
可以肯定的是，意欲達到上述效果，憑藉傳統分析方法，勢必有所不足，所以徐紹鐘強調，要想克服挑戰，必須倚賴一套新的分析方法，藉以剖析諸如空間資料、非結構資料、時間序列資料，「不能單單以一種資料屬性來評斷一切」，如此才能成功地「深潛到巨量資料」；以機台生產力改善為例，此時不妨視機台為一小型工廠，利用限制理論找出瓶頸步驟，再運用SPC監控瓶頸生產步驟表現，接著透過統計方法排序及檢視機台？程式間匹配差異，建立機台監控資料與產出模型，以更換最適零件來減少產出損失，終至提供特定區域排程以建立最佳化模型。
換言之，新的分析流程BPR，有幾個關鍵步驟，首先是藉由排序(分類與分群)、特徵萃取等手段歸納出「What to Do」(例如定義及排序KPI以改善生產週期)，終至建構最佳化模型，以尋求「How to Do」(例如改善生產週期)之解答，唯有如此，才能如願打開一個個潘朵拉盒子。
