Uwe Krautz, ceinture noire L6S Master, GlobalFoundries
Le Big Data et l'apprentissage automatique forment une combinaison puissante qui peut aider l'industrie des semi-conducteurs à améliorer la qualité et l'automatisation des produits. Cependant, les données des outils de production ou des systèmes de mesure (par exemple, les signaux FDC/SPC, les données brutes des capteurs, les mesures de processus, etc.) doivent souvent être nettoyées et prétraitées avant d'utiliser les approches d'apprentissage automatique. Les données peuvent présenter des valeurs aberrantes, une multicolinéarité ou des distributions étranges qui rendent difficile l'utilisation de techniques de modélisation simples comme la régression linéaire ou d'outils plus avancés comme les réseaux de neurones profonds qui apprennent à distinguer les artefacts mais ne sont pas la cause première d'un problème. Des milliers d'ensembles de données doivent être filtrés et réduits à un nombre limité de fonctionnalités clés. L'ensemble de ce processus de nettoyage des données et d'ingénierie des fonctionnalités peut être accéléré à l'aide des outils de visualisation et d'analyse des données JMP afin que les data scientists puissent se concentrer sur la création de modèles ML sans passer trop de temps à se battre avec la préparation des données. Les résultats de JMP® peuvent être traduits en ML basé sur Python, qui peut être automatisé et mis à l'échelle via l'informatique en nuage.
