大數據分析
NVIDIA提升TPCx-BB運算表現 破大數據分析基準紀錄
NVIDIA(輝達)剛向世人展現出一舉刷新舊紀錄的實力,將運行 TPCx-BB 這項大數據分析基準的效能表現提高近20倍。
NVIDIA 使用由 16 台 NVIDIA DGX A100 系統支援的 RAPIDS 開源資料科學軟體庫套件,僅花費 14.5 分鐘便完成了這項基準測試,而對比先前的紀錄,使用 CPU 系統花了 4.7 小時才完成測試。這 16 台 DGX A100 系統共有 128...
數位轉型切忌盲目跟風 組織再造/科技導入要同步
Gartner近日提出2020年企業必須了解的十大策略性科技趨勢,分別為超級自動化、多重體驗、專業知識的全民化、增進人類賦能、透明化與可追溯性、更強大的邊緣運算、分散式雲端、自動化物件、實用性區塊鏈以及人工智慧安全性。這些技術看似發散,彼此關聯不高,但Gartner認為,這十大科技趨勢可以用「以人為本」、「智慧空間」兩個主題來貫串。
十大科技趨勢展現濃濃人本特質
這十大技術趨勢中,有些是直接以增強人的能力為主要目的,例如增進人類賦能、多重體驗,有些則是用來打造智慧空間的核心技術,例如邊緣運算跟自動化物件。而目前喊得震天價響的數位轉型或工業4.0,說穿了,也是想藉由新科技導入,讓工作空間變得更智慧,進而提升員工生產力。
Gartner大中華地區資深合夥人龔培元(圖1)表示,2020年Gartner十大策略科技趨勢均圍繞著「以人為本的智慧空間」這個核心概念,也是現今科技發展最重要的面向之一。從思考科技對顧客、員工、商業夥伴、社會或其他重要利益關係人會產生什麼樣的影響,企業採取的所有行動都是為了直接或間接影響這些個人和群體,這就是以人為本的做法(圖2)。
圖1 Gartner大中華地區資深合夥人龔培元表示,2020年Gartner提出的十大科技趨勢,環繞著「以人為本的智慧空間」來貫串。
圖2 Gartner 2020年十大科技趨勢
建立在以人為本概念上的智慧空間,則代表人類與科技系統能夠在日益開放、互聯、協調、智慧的生態系統中進行互動的實體空間,結合個人、流程、服務和物件等多項元素,創造出更身歷其境、高互動率及高度自動化的體驗。
根據Gartner定義,策略性科技趨勢是指正處於有所突破或崛起狀態,且未來可能帶來廣泛的顛覆性影響與更多應用的趨勢;此外,策略性科技趨勢同時也具有快速成長、變動性高且將於未來五年內到達引爆點的特性。
也因為數位轉型的終極目標是要提高生產力,因此,當企業主或管理者在思考數位轉型的問題時,不僅要考慮科技導入的問題,同時也要處理因為導入新科技所帶來的組織改造、文化變革需求。
事實上,做事的方法跟組織文化,對員工生產力的影響絕對不容小看,處理起來也更棘手。科技導入反而是一個比較單純的問題,只要確立了KPI跟轉型方向,科技業界不僅早已備妥許多解決方案,也有很多外部顧問的資源可用。
就製造業的數位轉型而言,龔培元認為,超級自動化與自動化物件是最需要關注的兩個科技趨勢。這兩個趨勢跟智慧製造的發展息息相關,而且很快就會對正在進行數位轉型的製造業帶來影響。
超級自動化跟自動化物件,正好就是技術相對成熟,但因為製造業者本身還沒有想清楚該怎麼導入,KPI該怎麼制定,而難以進一步推動落實的環節。畢竟,在沒有通盤考量跟長期規劃的情況下,貿然推動數位轉型的失敗風險相當高。因此,外部顧問搭配技術供應商的組合,對於推動數位製造,或許將產生更大的助力。
IBM攜手台灣產業鏈 加速數位轉型落實
從全球製造業轉型升級工業4.0到貿易戰引動供應鏈大洗牌,面對前所未有的機會與挑戰,台灣IBM攜手產業夥伴凌華科技、大聯大控股旗下世平集團、台達電子與緯謙科技打造智慧製造生態圈,整合營運技術(OT)、資訊技術(IT)與人工智慧(AI),協助台灣製造業加快數位轉型腳步,讓智慧製造加速落地並實現平行展開。
台灣IBM全球企業諮詢服務事業群合夥人李立仁表示,精度、良率、稼動率是製造業競爭力之所在,涵蓋人員、機器、物料與流程等生產線四大要素,串連OT與IT將是不可或缺的關鍵,也是將AI落實於製造的前提。IBM攜手各具技術優勢及產業經驗的夥伴,打造完整生態圈,合力提供從OT、IT與AI到企業應用系統與混合雲的完整解決方案與專業服務,讓智慧製造真正落地為應用場景,創造可實現的投資效益與可規模化的營運架構。
李立仁指出,目前台灣較具規模的科技製造業者,普遍都已經完成示範產線的建置,但在大規模推廣或平行展開上,卻遇到許多問題。因此,IBM提出智慧製造「5C成熟度模型」(圖3)作為行動藍圖,五個C分別是Connect、Convert、Cyber、Cognitive與Configure,每個階段各自有其關鍵技術與導入工作。例如Connect的重點在布建物聯網/機聯網,Convert則是建置AI大數據平台與邊緣運算,Cyber則要進一步落實數位雙胞胎(Digital Twins),Cognitive則要將重點放在機器學習,最後到了Configure階段,才是建置B2B混合雲跟導入區塊鏈。
圖3 IBM針對製造業數位轉型所提出的5C評估模型
IBM的策略夥伴在5C模型中,著重在解決物聯網連結層設備連網與資料抽取的挑戰以及邊緣(edge)端的應用場景,協助客戶突破將OT數據轉換為IT資料的技術瓶頸,亦即實現前兩個C。IBM則可協助客戶在資料萃取後,進一步打造AI數據應用場景與AI平台,協助客戶逐步落實動態模擬、智慧工廠、動態客製等後續三個C。
凌華科技董事長劉鈞則認為,智慧製造邊緣解決方案最重要的是資料導向為中心的思維,面對多樣化人事物的應用場景,確保OT與IT端安全、穩定、易整合的連接,高效獲取資料資訊;結合IBM豐富的系統整合經驗,協助雙方客戶精準擷取生產線現場稍縱即逝的資料,轉化為邊緣運算的智慧動能。
大聯大世平集團物聯網解決方案部副總經理鈕因任指出,物聯網聚合商的角色是獨特而創新的模式,透過全面的產業視角跟廣泛的供應商觸角,縮短客戶採購與採用相關解決方案所需的時間。我們期望與IBM合作發展物聯網生態圈,以群策群力的方式,共同推動應用標準的建立,這也呼應了我們所屬企業集團大聯大控股在數位轉型的策略方針。
緯創集團子公司緯謙科技總經理夏志豪博士指出,該公司母集團本身在智慧製造的實務經驗,是緯謙的獨特優勢。我們利用數據與數位工具、涵蓋產線、員工及管理階層,協助不同規模的製造業實踐智慧製造。透過與IBM的合作,以及雙方在產品方案和產業應用的互補性,將我們的集團經驗擴大並拓展至新市場。
研華致力發展工業App生態系統
除了透過外部顧問跟技術供應商聯手提供數位轉型方案外,參考個別垂直應用的成功範例,進而微調出適合自己的方案,也是一種可行的做法。畢竟,碎片化是工業應用的特性之一,不同垂直產業所需要的解決方案大不相同,參考成功者的經驗,不僅能幫助製造業者理清頭緒,也能讓相關業者少走許多冤枉路。
在面對工業物聯網極為碎片化的應用困境,研華以發展行業應用的工業App破解現有挑戰,並透過WISE-PaaS工業物聯網雲平台中的「解耦」(de-coupling)再「重構」(refactoring),以模組化及微服務讓行業系統整合夥伴(Domain-focused Solution Integrator, DFSI)更容易擷取並運用功能模組。而為了強化其共創生態圈的戰力,研華也強化其WISE-PaaS Marketplace,推出2.0版本。
研華工業物聯網事業群總經理蔡淑妍表示,為能加速應對工業物聯網困境並促成應用導入,研華工業物聯網事業群於2020年策略方針包含鎖定垂直市場、提升產品技術動能、接軌創新趨勢,完善營運與導入WISE-PaaS Marketplace 2.0,以及加強夥伴深度鏈結、共創思維交流等三大策略方向。
研華技術長楊瑞祥則表示,由於各垂直產業的需求有極大差異,光靠一家公司之力,不太可能開發出滿足各種場景的應用。因此,研華過去幾年一直在倡導「共創」(co-creation)思維,希望與更多夥伴一同合作,開發完整的各垂直產業服務方案。
但在過去幾年的推廣經驗中,研華也發現,目前企業內資料孤島(Data Silo)的情況非常嚴重,從IT到OT,往往都是一個應用一個系統,要實現跨系統間的串接非常困難,因此研華一方面倡導共創,另一方面也開始思考,如何將這些專為特定應用所開發的系統,拆解成一個個功能模組,然後再依照應用場景的需求,重新組合成使用者需要的系統。
這個概念就是所謂的解耦再重構。就像每個人手上的智慧型手機硬體規格大同小異,但上面安裝的App各不相同,使得每個人的手機都是按照自身需求而客製化的系統。在研華的願景中,未來的工業場景也會像智慧型手機一樣,底層有一些共通元素,應用層則充滿各式各樣的工業App,滿足不同垂直產業需求(圖4)。
圖4 針對碎片化的工業App市場,研華提出解耦與重構的概念,以打造出貼近不同垂直產業需求的解決方案。
要實現這個願景,除了要有大量的開發者外,還要有一個媒合使用者跟開發者的交易市集,這也是研華很多年前就已經開始建構的項目。而這次推出的WISE-PaaS Marketplace 2.0,跟先前版本的最大差異,就在於落實了解耦再重構的理念。除了基本共通App,例如邊緣功能模組(Edge.SRP)、中台(Common App)、產業通用App之外,針對不同垂直產業所設計的領域專用App,甚至人工智慧(AI)模組等,會有更清楚的分類,例如智慧製造、智慧零售、智慧醫療等,並加入更多使用者示範案例,讓其他使用者能更快上手,而且在App管理、訂閱、帳務方面也有所強化。
科技導入必須跟著組織再造走
從IBM與研華在製造業數位轉型方面所提出的觀點,不難發現製造業數位轉型所需要用到的技術已經大致到位,真正的問題在於如何導入應用,讓技術得以創造價值。若沒有對應的組織作業流程改造跟組織文化變革,光靠導入新技術,很難達成數位轉型的目標。許多製造業數位轉型的先驅者,甚至早在技術還沒到位前,就已經調整好自身的組織結構跟文化。
因此,真正決定一家企業能否完成數位轉型目標的關鍵,其實是管理者有沒有明確的數位轉型願景,以及是否有計畫地進行對應的組織調整跟文化改造工作。倘若技術先行,組織結構跟文化卻沒有調整,數位轉型不僅無法解決老問題,反而會製造更多新問題。
從主觀走向客觀 數位轉型改變決策模式
然而,許多研究都顯示,人的記憶其實很不可靠,建立在記憶之上的經驗自然也是如此。因此,在企業數位轉型逐步落實的過程中,資料決策與經驗決策之間的衝突,必然會頻繁上演。機器收集到的資料跟分析,也不一定完全可靠,特別是在很多數位轉型只做半套的公司中,資料的信度跟效度,會是一個很大的問題。
因此,對於正在推動數位轉型的製造業而言,事實上也不宜太過相信機器給出的資料分析結果,除非對資料收集、分析的方法論,以及許多執行層面的問題有極高的信心。
而這個情況勢必會讓資料決策跟經驗決策的衝突,變成一個更難解的問題。
資料採集/分析可靠嗎? 先問執行與方法論
一般來說,拜感測技術進步之賜,現在用資料採集設備取得的資料,都有相當高的可信度。但對製造業應用而言,因為感測器通常是安裝在遠比感測器要大上幾十倍的機台設備上,因此,感測器裝在何處?如何安裝等技術細節問題,都可能會影響到感測器取得的數值。
此外,就像機台某些零件在持續運作的過程中,會有飄移、老化等問題,感測器本身其實也會有飄移跟老化現象,特別是在某些極端嚴苛環境或特殊應用領域,感測器有時本身就是一種近似耗材的設備,需要定期細心維護保養。
因此,當製造業的數位轉型計畫執行到一定階段,開始有資料收集、分析能力之後,管理者最該嚴格檢視的是這些感測器資料的信度與效度。如果感測器得到的資料本身就有信度跟效度問題,就不用談更進階的資料決策了。
除了與感測器有關的問題外,有時機台參數的設定,也是隱藏魔鬼的細節。有些機台會不斷把生產過程中記錄下來的參數儲存起來,以建立生產履歷。然而,有些工站的操作員為了追求帳面上的良率數字好看,或是盡可能減少停機維護的時間,提高生產績效,會把製程參數的容許範圍設定稍微放大,其結果就是產出品的公差範圍會跟著變大。但由於容許值設定被調整過了,因此設備錄得的資料,表面上看起來是一切正常的。
如果後站對來料公差的容許值夠大,或是後站的加工程序不會讓公差進一步擴大,這通常還不成問題。但如果後站本身對來料公差的容許值很低,或是加工程序會進一步擴大公差,其結果就是半成品在經過幾道製程步驟後,不良率會突然竄升。這對於仰賴資料做決策的生產人員來說,會是一個很棘手的問題,因為產品加工的良率突然下滑,原因不是發生在良率突然降低的工站,而是前面幾站就已經有問題了。
通常,產線作業員不應該有這麼大的操作權限,可以調整這類參數設定。但有設備業者表示,把機台管理權限下放給作業員,是很多製造業者都會做的事情。因為若把管理權限設得太嚴謹,甚至中央統一控管,則機台發生任何問題都要靠產線領班或產線工程師處理,這些管理者會疲於奔命,產線運作也會不順暢。
這也衍生出一個問題,為了追求生產效率,每個產線一定都有標準作業流程(SOP),但當企業開始推動數位轉型時,已經建立的SOP很可能是有問題的,必須重新進行梳理跟檢視。PCB大廠臻鼎的董事長沈慶芳就曾說,該公司的智慧工廠發展策略分成集合、整合跟融合三個階段。
在集合階段,最重要的工作就是對現有作業進行梳理,確定SOP是沒問題的,然後才是開始導入自動化、模組化生產,並引入精密控制、視覺整合等技術。把集合工作做好後,進入整合階段,才開始建構IT系統,導入生產追溯、品質追溯、資訊串聯、工程改善等機制,技術方面則開始推動設備連接化及產品輸送智慧化等技術。
到最後的融合階段,臻鼎才開始聚焦在解決運作痛點,追求生產品質提升、智能生產排程,並導入EDA跟大數據分析、AI、機器學習等技術。
從臻鼎分享的經驗來看,對於剛開始導入資料決策模式的製造業者來說,應該反覆追問的問題有二:一、產線設備所收集到的資料可靠嗎?二、分析人員有足夠的能力,從資料的表象中看出真實問題所在嗎?
在半導體產業,特別是在前段晶圓製程,因為自動化跟機聯網已經導入多年,加上產品製造過程中,對於任何參數飄移或公差的變化都非常敏感,因此晶圓廠跟設備業者都已經發展出一整套用來確保資料品質的方法論,並落實在設備的日常操作跟管理上。但對於其他製造業來說,要一步做到這個水準,可能是相當困難的。因為這不只是技術問題,也是管理政策跟組織文化的問題。
數位轉型需與組織文化再造連動
在數位轉型推動初期,企業管理者最需要關注的,是資料品質跟資料分析能力的問題。高品質的資料是產出高品質分析結果的必要條件,但光有高品質資料是不夠的,還要有具備領域知識的資料科學家來分析,才能產出高品質的分析結果,進而做為管理階層決策的參考依據。
旺宏電子早在1991年就開始發展自家的sNOVA系統,在那個人工智慧還只是學術理論的年代,為何旺宏就開始投入開發自己的數據分析平台?旺宏資深處長涂凱文給出了答案:為了把工程師腦袋裡面的Know-how用資料分析的手段保存起來。
旺宏的主力產品雖然是唯讀記憶體(ROM)、NOR快閃記憶體等利基型產品,但同樣會受到記憶體產業景氣循環的影響。在記憶體產業景氣不佳的時候,很難開出有競爭力的薪資留才。因此,旺宏的管理層思考出一套做法,想藉由資料分析把工程師腦中的知識固化成資訊系統,歷經二十多年的累積演變,才成為旺宏今天引以為傲的sNOVA平台。
在sNOVA逐步發展的過程中,一開始公司內部確實有懷疑,因為當時大數據分析的概念還沒出現,人工智慧更只是學術研究的題目。很多人都會懷疑,真的能靠資料分析來維持半導體廠的營運嗎?
但在旺宏管理層的堅持跟主導下,旺宏的資訊部門開始一步步推動,從最基本的布建感測器、進行資料蒐集開始,到後來建立起廠務、製程控制、設備機台壽命等各式各樣的統計模型,並據此預測廠務設備調度需求、晶圓瑕疵趨勢、機台故障預兆診斷等,證明模型準確度高於人基於經驗法則的判斷後,現在公司的大小管理階層都已經養成靠統計資料做決策的習慣。
涂凱文回憶說,這一路走來有許多不足為外人道的故事,例如一開始在做機台改造,布建感測器的時候,因為IT團隊懂統計、數據分析跟寫軟體,不是半導體製造專家,根本不知道要收集哪些資料,就算收集到,資料品質常常也很差。如果不是製程團隊、廠務團隊的協助,幫IT團隊畫重點,sNOVA是不會成功的。
另一方面,在確定資料品質可靠之後,IT團隊如果只停留在資料可視化,沒有進一步發展出輔助決策系統,這樣的IT團隊只會製造問題,而不是解決問題。旺宏sNOVA平台現在每天會記錄超過40億筆資料,產出數十萬張圖表,如果沒有靠機器系統幫忙過濾,聚焦在異常徵兆或現象上,完全靠工程師人力判讀,絕對會變成災難,並引發公司內其他部門的不滿。如果不做資料過濾、不做分析預測、不做決策輔助系統,那不如不要做智慧製造。
旺宏的成功故事,對其他有意發展智慧製造的製造業者,至少可以帶來四個啟示:
一、由上而下的充分授權跟支持,讓IT團隊可以好好做事。
二、現場團隊必須跟IT團隊緊密配合,才能幫助IT團隊把系統建置好。
三、IT團隊必須要發展出決策輔助系統,並證明系統判斷的準確率高於人基於經驗的判斷。
四、使用者必須養成基於資料做決策的習慣跟文化,否則空有系統也沒用。
第三點跟第四點是許多製造業者在推動數位轉型時很容易落入的陷阱。如果IT團隊只做資料可視化,沒有進一步將資料梳理成可以決策輔助的資訊,這種數位轉型只是半成品,對企業營運的幫助有限,甚至反而會製造組織內的衝突。另一方面,如果決策輔助系統已經到位,但管理者仍未建立依照資料做決定的習慣,決策輔助系統的建置自然失去意義。
管理者的責任:善用KPI工具
企業要成功推動數位轉型,建立起資料決策的企業文化,最重要的其實不是技術。事實上,智慧製造或數位轉型,除了數位雙胞胎(Digital Twins)的建置涉及到複雜且授權費用不低的專業模擬軟體外,絕大多數台灣製造業目前正在推動的數位轉型,所使用的工具跟技術都是很成熟的,有些甚至還已經是開放原始碼的免費軟體。
舉例來說,很多產線設備上都有人機介面(HMI)設備,作業員每天上班的工作內容,就是進行重複的資料輸入操作。但這種重複輸入的工作,早已可用按鍵精靈這種隨手可得的免費軟體來處理,只是工程師可能要會撰寫腳本。
因此,在探討技術問題之前,企業管理者必須先釐清自家公司的數位轉型目標究竟為何,推動過程中如何創造有利的「人和」條件,讓公司裡的各個部門都願意通力合作,完成必要的系統建置。最後才是談技術相關的問題。創造人和是數位轉型裡最艱鉅的挑戰,因為數位轉型通常都是為了提升企業經營效率、導入自動化,而這對員工來說,是很有威脅性的--飯碗可能會因為自動化而不保。
至於對中階管理者來說,從主觀決策轉向資料決策,某種程度上意味著自己過去累積的經驗將變得沒有價值,儘管事實上並非如此。沒有人的智慧,不會產生人工智慧,但害怕自己被取代,是職場人的生物本能。因此,管理者必須設法排除這些非理性因素對數位轉型的干擾。
還有一種情況是製造業在進行數位轉型時常出現的問題:KPI目標的矛盾。對製造主管來說,產能利用率跟生產效率是最重要的績效指標,但在建置決策輔助系統時,除非是新建廠房,否則幾乎無可避免地會涉及機台停機改造、布建工業物聯網等基礎建設的施作。此外,IT團隊不是製造領域的專家,要讓IT團隊理解製造現場的狀況,影響生產良率跟機台健康狀況的關鍵指標為何,現場的專家團隊必然要提供額外指導,這也會影響其工作。
如果要讓IT團隊跟其他現場專家團隊合作無間,在進行數位轉型的過程中,企業管理者必然要調整現場團隊的KPI設定,讓這些專家得以暫時放下效率至上的思維,把心力跟資源放在跟IT團隊合作上。如果KPI設定不調整,對現場狀況完全不懂的IT人,會是製造專家團隊的包袱。
設備資安標準框架逐漸成形 半導體產業大步走向智慧製造
由於半導體晶片早已精密到無法用人力作業來生產,因此不管是晶圓製造或是封裝測試,絕大多數的製程步驟都是在設備內自動執行,這使得半導體產業先天上就是一個自動化程度遠高於其他產業的行業。
而在大數據分析、邊緣運算與人工智慧(AI)技術逐漸成熟後,許多半導體業者都已踏上從自動化邁向「智動化」的旅程。但在眾多機台設備全面聯網後,設備資安的問題也更加迫切,使得產業鏈必須快速提出標準化對策。
半導體設備資安標準化框架漸具雛形
對半導體產業而言,設備資安的問題早已存在多年,而且光靠一家廠商的力量,很難落實全面的防護。台積電資訊安全專案經理張啟煌(圖1)指出,根據統計,目前絕大多數還在線上運作的半導體設備機台,裡面所使用的作業系統都還是微軟(Microsoft)的Windows XP,而且更糟的是,即便半導體業者現在要購買新型機台,裡面所搭載的作業系統還是Windows XP。
圖1 台積電資訊安全專案經理張啟煌表示,為了確保生產效率,OT設備所使用的軟體在調整到最佳狀態後,會盡可能避免更動,因此OT設備的軟體慣性十分強大。
對於IT領域的資安工程師來說,這種情境或許很難想像,畢竟微軟早在很多年前就已經停止對Windows XP提供支援,若系統有新的漏洞被發現,也不會再提供修補或更新。但這在OT領域是司空見慣,因為機台上有很多跟生產製程、機台控制有關的軟體工具,如果機台的作業系統要從Windows XP升級到Windows 7或Windows 10,這些工具很可能會出現相容性問題,或是運作效率降低。此外,如果要在機台上安裝防毒軟體,設備運作效率會不會因此降低,也需要進行審慎評估。
對OT管理者來說,任何可能對生產效率產生負面影響的升級,都必須再三斟酌。這使得OT設備的軟體普遍都有非常強的慣性,半導體產業所使用的設備機台也不例外。
不過,由於惡意軟體、駭客攻擊越來越頻繁,加上半導體設備已經高度互聯,產業界不能再不拿出對策。因此,國際半導體產業協會(SEMI)已經成立了資安標準委員會,負責制定與半導體設備有關的資安標準框架,並已經取得初步共識,例如作業系統支援服務中止(EOS)後的處理方式、軟體更新服務的責任歸屬如何劃分、設備商應承擔的責任等。然而,由於資安威脅日新月異,因此這個框架還會持續演進,委員會也會持續邀請更多設備商及資安解決方案供應商加入討論。
對抗惡意軟體 白名單機制成基本防線
除了作業系統相關問題外,由於惡意程式的變種速度太快,只靠黑名單來把關已經沒有意義,因此包含工研院資通所所長闕志克、應材(Applied Materials)資安長Kannan Perumal、微軟現場網路安全技術長Diana Kelley及西門子(Siemens)全球客戶經理David Rogers都認同,針對OT設備的軟體管理權限,應該改用白名單機制來控管。
白名單權限控管可以分成很多個層次,從最基本的軟體安裝,到軟體安裝後,應用程式可以有哪些行為,不允許做哪些行為,以及應用程式更新後,白名單本身要如何做對應的控管等,每個環節都有一定程度的複雜性,每家廠商的做法也不盡相同。如應材是從供應商/第三方開始做源頭控管,西門子則是按照IEC 62443標準要求來進行。
但不論如何,對應用軟體進行更嚴格、更徹底的監控,是所有設備商跟軟體業者一致的態度。畢竟,隨著網路攻擊能造成的破壞跟經濟損失越來越大,激勵駭客發動攻擊的經濟誘因也開始出現,誘發更多攻擊事件。面對危機四伏的聯網世界,防禦方必須步步為營,小心謹慎。對IT人來說,這些都已經是常識,但OT領域的資安人,才正要開始學習這個功課,並調整應對心態。
邊緣運算/AI為智慧製造添加動能
針對智慧製造議題,聯電智慧製造處副處長吳京沛(圖2)開宗明義地說,半導體產業走向智慧製造,就是要藉由導入工業人工智慧(Industrial AI, IAI),來提升生產效能並改善生產流程。目前半導體廠在資料的蒐集跟取得方面,已經大致不成問題,但從大量數據中萃取洞見,創造商業價值的過程,還是高度仰賴人力。IAI的價值,就是要把這些工作,例如資料可視化、數據分析改成用機器自動處理,降低資料科學家的工作負擔,並節省時間跟成本。
圖2 聯電智慧製造處副處長吳京沛認為,半導體產業必須用更智慧化的工具,來降低員工的工作負擔,並提高企業運作跟決策的效率。
把這些工作交由IAI代勞後,下一個發展重點則是把工程師腦中的領域知識(Domain Knowledge)跟大數據結合起來,讓IAI有能力幫人做決策工作,至於人的工作,則轉變成檢視IAI的決策品質,確保決策無誤,並將結果反饋回機器學習模型中,提升IAI的決策品質。
目前在半導體產業內,IAI最為人熟知的具體應用在於實現自動化缺陷分類、機台自動調校,以及利用AI來做虛擬檢測(Virtual Metrology),加快晶圓的生產速度。無人工廠也是半導體業者正在努力發展的方向,畢竟無塵室並不是一個舒服的工作環境,要找到願意從事這種工作的人,將會越來越困難。
不過,對半導體產業來說,要導入IAI,還是有很多挑戰。除了資安疑慮、資料品質不好等所有AI應用都會遇到的共通問題外,半導體產業最獨特的挑戰在於,要用極有限的不良品資料訓練出推論準確率極高的模型。
半導體產業很多製程步驟的不良率都只有ppm(百萬分之一)等級,甚至還更低,這意味著半導體廠很難拿到足夠的不良樣品來訓練模型。但另一方面,半導體產業對模型推論準確度的要求又很高,因為IAI一次誤判,可能會讓公司付出極高代價。因此,結合規則式算法跟機器學習的混合式系統,會是比較可行的發展方向。另一方面,在應用布署的時候,還是要拿人來當比較基準,只有在機器判斷的準確率比人還高的環節,才值得布署IAI系統。
至於在設備端,包含科林研發(Lam Research)、ASM Pacific Technology、艾波比(ABB)、均豪精密,雖然專注的設備領域不同,但探討的主題都是機台的預防性維護、健康狀態/製程監控等議題。半導體大廠意法半導體(ST)也把主題放在預防性維護跟設備狀態監控上。
由於半導體產業所製造的產品都非常精密,因此對相關業者而言,不僅機台上的零部件飄移需要嚴密監控,甚至連零部件老化導致生產參數出現細微變化,都可能讓良率表現截然不同。這使得設備業者跟半導體製造業者,本來就非常需要掌握機台運作的即時狀況。只是,在數據分析技術成熟之前,大家都是按照經驗法則來排定歲修時程,而隨著人工智慧跟邊緣運算技術日益成熟,現在業界有了新的選擇。而且,每家業者都有志一同地強調邊緣運算架構,不會把原始資料傳到雲端去分析處理,而是在本機端直接用機器學習等AI技術完成資料分析,給出預測結果。
在眾家廠商英雄所見略同的情況下,在半導體走向智慧製造的過程中,邊緣運算所扮演的角色,將變得十分關鍵。
為專家賦能方可落實智慧製造
華邦電技術副總監李馥源(圖3)則為整個智慧製造論壇做總結,並指出所謂的智慧製造,就是一種為製造業解決問題、創造價值的手段。
圖3 華邦電技術副總監李馥源認為,為領域專家賦能,讓人的智慧固化成系統,是智慧製造落實的關鍵。
因此,智慧製造必須依照實際的製造需求,將自動化、商業智慧(Business Intelligence)與人工智慧結合。在這個過程中,企業內的IT部門、資料科學家、領域專家及外部供應商必須通力合作,才能讓計畫順利推動。
不過,在這個過程中,為領域專家賦能(Empowerment),讓他們能夠將智慧製造有系統地建立起來,是最關鍵的,特別是對中小企業來說。這些領域包含商業智慧工具、資料分析平台/工具、機器人製程自動化以及作業流程。畢竟,所有智慧都來自於人,智慧製造能不能成功,關鍵就在於能否將人的智慧固化成系統。
人工智慧用處多 半導體製造走向智慧化
為了確保最終良率,每家半導體業者都必須在晶圓生產過程中安插或多或少的製程控制(Process Control)節點。這些節點除了可監控晶圓製程的良率變動外,也能早期發現有問題的晶圓,避免其進入下一個製程步驟,徒然浪費時間。
然而,製程控制是相當昂貴的,除了要設置對應的檢測機台外,檢測本身也需要時間,更需要人力來判讀機台數據背後所代表的意義。因此,製程控制究竟該如何進行,才能在效率與良率間取得平衡,遂成為每家半導體製造業者都必須回答的問題。
製程資料浩瀚如煙海 AI加快分析速度
台大資工系教授張智星(圖1)表示,對晶圓製造業者而言,從製程機台取得資料只是第一步,後續的資料分析才是能否從資料中萃取出關鍵資訊,進而改善營運、提升良率的關鍵。過去他曾經領導一支研究團隊,利用台積電提供的資料,結合機器學習技術,發展出可自動對晶圓缺陷分布圖進行分類的軟體應用。這項研究的成果,就為台積電帶來很大的經濟效益。
圖1 台大資工系教授張智星表示,藉由機器學習,軟體系統可以自動判斷晶圓缺陷的分布狀況,省下大量人力跟時間。
張智星解釋,晶圓上不合格晶粒的分布狀況,是用來分析製程缺陷成因的重要資料。某些特定的缺陷分布狀態,可以回推出造成晶粒缺陷的原因,例如當不合格晶粒在晶圓上呈線型分布時,晶圓在製作過程中被刮傷,就是最可能的原因。
圖2是幾種典型的缺陷分布型態,對人類來說,這種缺陷分布的圖樣是很容易分辨的,因為其輪廓特徵的差異十分明顯,例如缺陷高度集中在晶圓的某個特定角落、中央或是環狀分布在晶圓的邊緣,而這些圖案之所以出現,跟前面的某幾道製程步驟有關。因此,晶圓缺陷分布圖是製程工程師檢視製程狀況非常重要的工具。
圖2 幾種典型的晶圓缺陷分布狀態
過去台積電的製程工程師每天都要耗費不少時間檢視不良晶粒的分布圖。而隨著台積電的產能規模越來越大,工程師耗費在這上面的時間也越多。張智星指出,根據台積電當時提供的資料,2013年第一季,該公司總共生產了388萬片晶圓,相當於每天產出4.3萬片晶圓。這意味著當時台積電的工程團隊每天得看4.3萬張分布圖,耗費的人力跟時間是相當可觀的。而隨著台積電的產能規模越來越大,這項成本花費只會更高。
也因為如此,台積電很早就開始把腦筋動到機器學習上,因為圖形辨識跟分類,正是機器學習最擅長的應用。若能成功導入,每年可以省下至少100萬美元以上的人力成本。
張智星表示,因為他的主要研究領域是資訊工程,對半導體製程所知有限,因此在與台積電合作的過程中,只專注在圖像辨識上。在他的研究團隊拿到台積電提供的資料集之後,就開始分析,這些缺陷分布圖究竟有那些特徵,是可以被萃取出來的。
其中,最直觀的就是圖形的輪廓,這是人類的眼睛一眼就能看出的特徵。但還有其他不那麼直觀的特徵可以利用,例如雷登變換(Radon Transform)。也可以用統計取樣的技巧來對缺陷圖進行分析,例如對整片晶圓進行2乘2矩陣取樣,然後予以編碼,也能得出有意義的數值。
DNN應用有其限制
不過,張智星也提醒,雖然神經網路是一項很紅的技術,但神經網路不是所有資料分析問題的理想解答。以深度神經網路(DNN)為例,這項技術要能派上用場,先決條件是要有大量的資料集,而且最好是影像資料。其次,必須有非常強的運算硬體支援,不然會跑不動。換言之,如果可以用來訓練神經網路的資料集不夠,或是手上可用的運算硬體效能不足,最好還是別使用神經網路。
此外,DNN還有一個特性,是所有想利用DNN發展應用的開發者都必須注意的--DNN系統雖可產生預測結果,但卻無法解釋這個預測結果是怎麼來的。換言之,DNN只知其然,不知其所以然。如果應用需求不只要預測結果,還要進一步解釋為何是這個結果,最好別使用DNN。了解每個工具的特長,用最適合的工具來解決問題,是很重要的。
設備業者看AI--產品加值/升級的關鍵
由於半導體設備很早就已經實現機台聯網跟資料互通,因此對半導體設備商來說,如何用人工智慧提升機台的產能/稼動率,或是加快新機台研發的速度,是比較關切的話題。
Lam Research副總裁暨首席工程師Keith Wells指出,AI技術已經成熟到可以對產業應用產生影響,而且成本合理的地步。在Lam Research內部,針對AI應用的議題,發展方向比較偏向智慧製造的層面,例如透過其Equipment Intelligence套件,讓機台具備自我感知、自我維護與自動適應的能力。
自我感知指的是機台對於其內部零件具備感知能力,包含零部件的種類與零部件過去、現在的狀態。自我維護則是指機台能知道何時需要維修,並且會自動進行維修。自動適應則是指機台能因應製程跟來料變化自動進行補償,以便把生產良率維持在一定水準之上。
就設備供應商的角度來觀察,半導體設備的智慧化跟晶圓生產的智慧化,是未來必然要走的路,因此整個生態系,包含機台本身、整個晶圓廠與機台零部件的供應商都必須攜手合作,實現資料共享。Lam Research對於以AI為基礎的半導體智慧製造有很強的承諾,並且正與其客戶合作,共同打造能符合未來需求的解決方案,包含更強大的資料存取系統,以及先進分析工具環境。
但對半導體設備供應商來說,最大的挑戰來自於客戶需求的多樣化。每家客戶對於如何利用AI來提高生產力這個議題都有自己的想法,而且彼此之間或多或少有些出入。因此,客戶通常都想要客製化的解決方案。但客製化通常意味著更長的開發時間與更高的開發成本,因此業界必須創造一個大家都能接受的標準化框架,才能加快產品交付到客戶手上的速度。
科磊(KLA-Tencor)對AI的應用方向,看法也跟Lam Research有些類似。該公司資深副總裁暨行銷長Oreste Donzella表示,由於科磊的主力產品是半導體檢測設備,涉及到很複雜的光學設計,因此在產品開發過程中,用機器學習來進行各種條件模擬,加快新產品設計開發的速度,已經是行之有年的作法。
至於晶圓檢測設備所產生的大量資料要如何利用人工智慧進行分析,通常是由客戶端主導,科磊則扮演從旁協助的角色。因為這些資料是客戶的商業機密,所以資料要如何分析跟使用,還是要由客戶做決定。
不過,針對後段封裝跟測試,情況就不太一樣了。Donzella指出,跟前段晶圓製造相比,封裝業者分析跟控制資料的能力比較不成熟,因此封裝業者要發展自己的人工智慧系統進行資料分析,難度相對較高。因此科磊也正在評估,自家的軟體跟服務部門能如何協助封裝業者,在導入人工智慧的路上向前邁進。