矽品導入智能判圖技術實務經驗分享

矽品精密工業事業三處技術開發處長萬國輝博士。

導入AI解決方案究竟是要仰賴外包？還是自組團隊培養相關分析技術？矽品精密工業事業三處技術開發處長萬國輝博士指出，矽品目前中科廠有晶圓凸塊、晶圓級封裝生產線，在產品出貨前，需要自動光學機器檢查加上人工複判的流程，因此希望運用AI機器導入智能判圖，來縮短作業時間、節省人力。

在AI Landing執行策略及資源規劃方面，矽品考量AI影像辨識技術逐漸成熟，可以首先應用AI方案到工廠出貨檢測方面。只是這項技術應該外包給外部AI團隊執行，還是自己培養軟體能力、購買硬體資源架設Training Server？在全面評估後，矽品決定自己召募人才，因此第一步聽取合作夥伴NVIDIA建議招募工程師，並採購NVIDIA DGX-2、Inference Server使用NVIDIA GPU。

人才到位後，下一步即是擬定團隊的工作目標。萬國輝特別強調，這方面的工作項目相當繁雜，包含掌握生產線的需求順序、相片資料、審查委員等規劃，同時還要建立線上系統架構、基礎模型、線上DB等。換言之，要導入AI Landing需要經歷訓練排程、模型精進、相片整理分類、訓練用電腦、模型履歷迭代記錄等一系列工作。同時產品上線之前，還要進行離線驗證模型、線上效能監控、模型上線審查等程序。

企業組織導入AI方案真正的考驗，是建立深度學習訓練模型。萬國輝分享他們面臨的一些挑戰，第一項需克服的難題是相片複雜性及模型的泛化性。因為客戶產品多元、各類產品的型號也不同，因此AOI機台會拍出不同規格的照片。加上產品外觀差異以及IC背景不同，都會干擾照片拍出來的效果。這些問題會讓AI做缺陷分類判斷時面臨挑戰，也會影響後續建模計畫。對此，矽品採用的方式是從缺陷類型中分組，讓AI模型持續做Transfer Learning，透過Generic Model提升泛化能力，後續訓練的效率就會逐漸加速。

第二類挑戰則是無法預測訓練效果。如果AI判斷的效率沒有提升，在參數設定上就難以掌握效能無法提升的真實原因。這部分萬國輝回應說，他們只能持續Trial-and-Error，而且搭配性能夠好的Training Server，讓資料訓練兼顧數量及質量。

另一方面，訓練模型架構將持續透過監督式、非監督式學習共同執行，訓練方法採用Loss Function、Optimizer、Hyper-Parameters等模式，並建議多參考研究論文以獲得最新的訓練技術。深度學習模型部署應用到生產線之前，還要讓模型做離線測試進行人機定型，讓人力跟機器都同時判斷以確認是否漏檢，如果都達到標準，才能把訓練模型正式上線。且後續要持續校正、檢查模型跟人為判斷是否有差異，每天抽檢一批做監測模擬，如果有誤差就讓模型重新訓練。唯有持續調校模型，在準確度、訓練時間等效能指標才會持續提升。

在快速變動的科技產業中，面對大環境反覆難纏疫情影響，矽品精密以敏捷團隊精準導入智能判圖技術，不僅讓團隊成員成功創造最大價值，更為組織朝向智慧工廠邁進繳出一張亮眼成績單。