对于一款新的 WLAN 产品（第六代 Wi-Fi），在最终测试中（即芯片封装准备发货给客户时）观察到了良率损失问题。我们启动了一个项目来查找问题的根本原因。主要使用的质量工具是故障树分析，以深入挖掘每种潜在的故障模式，而不是排除某些故障可能性或直接得出先验结论。
恩智浦多年来一直在使用机器学习方法和算法，因此在这种产量损失案例中，机器学习与典型的数据分析或单变量分析同时实施。
最终产品由两颗芯片组成，安装在一个层压板上。在芯片制造后、封装前的芯片测试步骤中，没有观察到任何问题。此外，仅在一种层压板上制造的产品模型上观察到了良率损失问题，这引发了对层压板类型影响的假设。
构建了数据分析和机器学习分析（分区模型、提升树模型或引导模型）。分析主要针对单元测试和最终产品测试之间的差异以及层压模型之间的差异。
