Bei einem neuen WLAN-Produkt (Wi-Fi der sechsten Generation) wird beim Abschlusstest, wenn die Chips für den Versand an die Kunden verpackt werden, ein Ertragsverlust festgestellt. Ein Projekt wird gestartet, um die Ursachen des Problems zu ermitteln. Das wichtigste Qualitätswerkzeug ist eine Fehlerbaumanalyse, um jeden potenziellen Fehlermodus genauer zu untersuchen, ohne Fehlermöglichkeiten auszuschließen oder voreilige Schlussfolgerungen zu ziehen.
NXP verwendet bereits seit einigen Jahren Methoden und Algorithmen des maschinellen Lernens. Daher wurde in diesem Fall von Ertragsverlusten das maschinelle Lernen parallel zur typischen Datenanalyse oder univariaten Analyse implementiert.
Das Endprodukt besteht aus zwei auf einem Laminat montierten Chips. Beim Chiptest nach der Chipherstellung und vor der Verpackung traten keine Probleme auf. Darüber hinaus traten bei dem Produktmodell, das nur auf einem Laminattyp hergestellt wurde, Ertragsverluste auf, was zu Hypothesen über den Einfluss des Laminattyps führte.
Es wurden Datenanalysen und maschinelle Lernanalysen (Partition, Boosted Trees oder Bootstrap-Modelle) durchgeführt. Die Analyse befasste sich hauptsächlich mit dem Unterschied zwischen dem Unit-Test und dem endgültigen Produkttest sowie mit den Unterschieden in den Laminatmodellen.
