Les anomalies de production peuvent engendrer des coûts importants dans une usine de fabrication. Dans l'industrie des semi-conducteurs, les arrêts de production, les plaquettes mises au rebut ou à faible rendement, ainsi que la baisse de la production peuvent entraîner des pertes de revenus considérables. Les ingénieurs chargés d'analyser ces anomalies doivent rapidement en tirer des enseignements exploitables pour prendre des décisions éclairées, minimiser les temps d'arrêt et améliorer la qualité des produits.
Le flux de travail analytique de JMP vous aide à définir les étapes et les outils nécessaires pour analyser efficacement les anomalies. Découvrez comment le générateur de requêtes facilite l'accès aux données des bases de données et comment le puissant menu Tables de JMP simplifie leur manipulation. Identifiez les formats de tableau optimaux pour la visualisation et l'analyse des données de cartographie des plaquettes. Utilisez des techniques exploratoires et analytiques pour découvrir les relations cachées entre les étapes du processus de fabrication. Approfondissez votre analyse avec JMP Pro et tirez parti de fonctionnalités telles que l'analyse d'images grâce au nouveau module complémentaire Torch Deep Learning pour JMP Pro 18 afin d'obtenir des informations plus poussées.
Automatisez et relancez l'intégralité de votre analyse grâce à Workflow Builder dans JMP. Vous bénéficierez ainsi de rapidité, de reproductibilité, de flexibilité et d'une puissance analytique optimale, sans aucune programmation. Découvrez comment l'utilisation de ces outils et techniques dans JMP et JMP Pro peut vous permettre de résoudre efficacement les problèmes et de réaliser des économies substantielles dans un environnement de production dynamique.
Bonjour à tous. Je m'appelle Ryan Cooper et je suis ingénieur système JMP pour la région de la Côte du Golfe. Aujourd'hui, nous allons parler de la simplification des investigations sur les anomalies de production avec JMP. Bien que cet exemple porte sur le secteur des semi-conducteurs, le principe de suivre une telle procédure pour les anomalies est applicable à toute industrie manufacturière. Je vous présenterai des astuces et des conseils utiles pour toutes vos activités avec JMP, et pas seulement pour les investigations sur les anomalies. Chacun y trouvera son compte.
Passons maintenant à notre excursion. Si vous comptiez interrompre vos visites guidées de fabrication pendant une trentaine de minutes, je m'excuse, mais nous en avons une autre. J'espère qu'après celle-ci, vous disposerez de nouveaux outils pour votre boîte à outils JMP. Cette excursion particulière présente des signatures de plaquettes mystérieuses qui ont déconcerté les ingénieurs du département d'ingénierie des défauts de URA Semiconductor Company. Nous avons ici quatre cartes de plaquettes, avec différentes signatures provenant de divers endroits, et nous devons déterminer leur origine.
Nous allons procéder en utilisant différentes étapes du flux de travail analytique de JMP. Nous commencerons par l'accès aux données, puis leur fusion et leur nettoyage, avant d'aborder l'exploration et la visualisation des données. Nous nous concentrerons brièvement sur certains outils de modélisation, mais nous intégrerons le tout grâce à l'automatisation et aux scripts. L'avantage principal réside dans le fait que le générateur de flux de travail ne nécessite aucune programmation. Nous reviendrons sur différentes étapes de ce flux de travail tout au long de la présentation, et vous comprendrez pourquoi. C'est une excellente façon d'organiser la résolution d'un problème dans JMP.
Les tableaux de données dont nous avons besoin. On me demande souvent : « Comment m’y prendre ? Mon entreprise collecte énormément de données. » Ma réponse est généralement : ayez toujours une question en tête. Ici, nous approfondissons la question initiale : d’où viennent ces défauts ? Nous voulons savoir quelles étapes du processus contribuent aux signatures anormales de défauts sur les plaquettes du produit A. Toutes ces signatures proviennent du produit A. Ensuite, j’associe généralement des mots-clés à différentes zones d’un tableau de données, d’une base de données ou d’un système similaire.
Vous remarquerez dans ce tableau des données sur les défauts des puces, correspondant aux étapes du processus de fabrication. J'ai besoin de données de processus avec des paramètres tels que le produit ; ainsi, pour les défauts du produit A, il faut inclure l'étape, le processus, etc. Vous pouvez observer le format de ces données. Vous remarquerez le format vertical. Ce format est idéal pour la visualisation des plaquettes, mais moins adapté à la prédiction et à l'analyse approfondie des modèles. En général, les problèmes liés aux prédicteurs susceptibles d'influencer les résultats nécessitent un format horizontal. Ici, les données sont au format vertical, ce qui nous permettra de visualiser les plaquettes simplement à l'aide des axes X et Y de Graph Builder.
Le format est déjà satisfaisant. Pour identifier la cause du problème, il nous faudra un format de données plus large, et plusieurs méthodes permettent d'y parvenir. La page suivante présente le format souhaité pour répondre à notre question. Vous remarquerez à gauche notre plaquette, individualisée, avec un graphique complet des défauts au niveau de la puce. Nous allons créer ce graphique, l'enregistrer dans le tableau et l'utiliser à différentes étapes de notre analyse.
Ensuite, nous avons ici des prédicteurs générés à partir des données des étapes du processus. Dans ce cas précis, nous avons les étapes, puis l'identifiant de l'équipement. Cet identifiant se trouve après le tiret bas. Nous pourrons ainsi déterminer quels identifiants d'équipement et quelles étapes sont à l'origine de certains défauts. Le total des défauts, ici, correspond au résultat. Il n'est simplement pas affiché à l'écran. C'est le résultat final, le tableau que nous souhaitions obtenir.
Voici notre plan d'analyse. J'ai mentionné que nous allions revenir sur le flux de travail analytique, et c'est ici qu'il entre en jeu. Nous allons accéder aux données en les récupérant à l'aide de Query Builder, puis en les filtrant avec du SQL. Ensuite, nous allons fusionner et nettoyer les données en divisant et en joignant les tables. La division permet d'obtenir un format plus large, et nous devons ensuite joindre les tables afin d'établir les relations nécessaires à la résolution du problème. Enfin, nous procéderons à l'exploration et à la visualisation.
Comme je l'ai mentionné, les données au niveau du dé sont au format empilé. Nous allons enregistrer les graphiques dans un tableau de données, une fonctionnalité très pratique mais méconnue. Nous visualiserons les résultats de notre analyse au format large, en utilisant les graphiques enregistrés comme marqueurs ou étiquettes pour notre analyse, qui consistera en une modélisation. Nous allons suivre ce processus : nous commencerons par accéder aux données, puis visualiser les données au niveau du dé, car cela ne nécessite aucun mélange ni nettoyage. Nous effectuerons ensuite un léger nettoyage pour obtenir le format large, puis la modélisation et l'analyse.
Un autre point important : 80 % de la résolution d'un problème par l'analyse de données consiste à accéder aux données et à les préparer. Dans ce cas précis, il s'agit des étapes décrites ici. Bien souvent, je constate que c'est ce qui décourage les gens de se lancer dans ce type d'analyse. Il est facile de se démotiver, surtout si l'on doit coder ou programmer, ce qui, heureusement, n'est pas nécessaire dans JMP. Nous disposons d'excellents outils pour la préparation des données et leur intégration grâce à Workflow Builder. Nous verrons comment tout cela s'articule dans un instant. À la fin de cette démonstration, nous obtiendrons des informations exploitables basées sur des décisions fondées sur les données et nous créerons des connaissances réutilisables grâce à Workflow Builder.
Cette solution sera rapide, flexible et performante tout au long du flux de travail, ce qui nous permettra d'obtenir une solution efficace réduisant les temps d'arrêt, améliorant la qualité de nos plaquettes et de nos produits, et augmentant ainsi nos revenus et nos coûts. Ceci étant dit, nous allons passer à la démonstration JMP. Je tiens également à préciser qu'il s'agit d'une vue d'ensemble ; ne vous inquiétez donc pas si vous ne comprenez pas tout. Je réaliserai certaines configurations en direct et exécuterai un court script sur d'autres, par exemple pour gagner du temps. Vous pouvez toutefois consulter la vidéo et le flux de travail que je joindrai comme référence pour les étapes qui vous intéressent.
Commençons par examiner… Commençons par examiner le générateur de requêtes. C'est ici que nous allons accéder à nos données. Je vais dans Fichier, Base de données, puis Générateur de requêtes, et je vais rechercher mes données sur les défauts. Je vais saisir « semi-conducteur ». Vous pouvez voir qu'il existe plusieurs tables pour les semi-conducteurs. Il se peut qu'il y en ait plusieurs, et nous devrons trouver les bonnes. Dans ce cas, je vais examiner les données relatives au nombre de défauts des puces et cliquer sur Suivant.
Vous obtiendrez ici un aperçu du tableau, avec ses colonnes. Vous pouvez ainsi visualiser son organisation : produit, identifiant de la puce, plaquettes, puis le nombre de défauts pour chaque puce de la plaquette. Il s'agit de données d'analyse très individuelles. Chaque puce est enregistrée à chaque étape, pour chaque défaut détecté. Nous recherchons des défauts. Vous pouvez effectuer des jointures si vous le souhaitez, mais nous réaliserons toutes les jointures et manipulations de données dans JMP ultérieurement. Je vais maintenant cliquer sur « Créer une requête ».
Pour mieux comprendre, j'ajoute un produit à la liste. Comme vous pouvez le constater, une seule colonne a été ajoutée, mais je peux afficher les lignes distinctes en activant cette option. Je la désactive pour l'instant. J'ajoute ensuite, dans cet ordre : l'identifiant de ma puce, mes puces X et Y, ma plaquette et mes défauts. Vous pouvez voir tous ces éléments s'ajouter ici. Je souhaite filtrer par produit A, car c'est là que se situe mon problème. Je peux filtrer par produit A. Je peux également configurer une invite de filtrage lors de l'exécution. Si vous souhaitez examiner un autre produit, vous pouvez le faire au cours de la même procédure.
Je ne vais pas le faire dans ce cas précis, mais sachez que cette option existe. Comme je filtre par Produit A, je peux également supprimer ce produit de mes colonnes. Le programme génère une petite requête SQL pour extraire de la base de données exactement ce que je lui demande par glisser-déposer. Vous n'avez pas besoin de connaître le code SQL pour effectuer cette extraction. Fort de ces informations, je vais exécuter ma requête puis fermer la fenêtre. Voici mes résultats. Je peux maintenant les utiliser dans Graph Builder. Nous avons notre matrice X. Superposons-la à un X de ma matrice Y. Le rendu par défaut est plus lisse, mais je peux désactiver cette option et afficher des points de données. Cela ressemble beaucoup plus à une plaquette.
Dans ce cas, nous avons tout regroupé. Je souhaite maintenant segmenter ces données par nombre de plaquettes. Je vais les regrouper. Nous pouvons maintenant visualiser chaque plaquette individuellement. Il y en a 125 au total, et je souhaite ajouter des informations sur les défauts. Pour ce faire, je vais glisser les défauts vers l'onglet Superposition. Nous avons maintenant le nombre de défauts sur chaque puce de la plaquette de semi-conducteur. Je n'apprécie pas vraiment la configuration actuelle de la légende avec les couleurs. Elle ne permet pas de visualiser clairement les défauts.
Je vais modifier les paramètres de la légende. Je vais accentuer le contraste entre les couleurs, en passant du bleu au rouge. Voyons voir le résultat. Certaines signatures apparaissent. Elles commencent à se détacher légèrement, mais je souhaite un contraste plus marqué pour une meilleure lisibilité. Je vais donc ajuster légèrement le thème de couleurs, en créer un nouveau et agrandir la zone rouge. Je clique sur OK, et voilà ! Les signatures ressortent mieux. On voit les défauts en haut et en bas, le cercle, et enfin les défauts à gauche et à droite.
Ça me semble correct. Je vais cliquer sur Terminé. Voici une fonctionnalité peu connue de Graph Builder : la possibilité d'exporter des données JMP vers un tableau. En cliquant sur le triangle rouge et en choisissant « Créer un tableau de données », vous obtenez un tableau avec l'icône de graphique. Nous pouvons l'utiliser pour d'autres informations, ce qui rendra nos visualisations bien plus intéressantes. Je vais fermer cette fenêtre pour le moment.
Il nous faut maintenant réfléchir à la manière de diviser notre tableau de données et de l'afficher dans un format plus large afin de pouvoir effectuer une analyse plus poussée. Nous allons diviser l'identifiant de la puce (die ID) de façon à ce que tous les identifiants de puce (ou die ID) apparaissent en haut, et l'identifiant de la tranche (wafer) à gauche. Cela nous permettra de fusionner ces informations avec ce tableau. Allons dans « Tableaux » puis « Diviser ». J'active l'aperçu pour que nous puissions visualiser le résultat.
Je souhaite segmenter les données par identifiant de puce, puis séparer les défauts associés à cet identifiant. J'ai actuellement 1 423 puces en haut et 125 plaquettes à gauche. Pour visualiser les plaquettes, je vais les faire glisser vers le bas pour les regrouper. Vous pouvez maintenant voir les plaquettes dans cette première colonne, avec tous les identifiants de puce à droite. Cela me permettra de fusionner ces données avec l'autre tableau. Je vais lui donner un nom. J'ai un tableau préconfiguré ici. Je vais simplement le déplacer et cliquer sur OK.
Je n'en ai plus besoin, je vais donc fermer. J'ai deux tables ici. Je vais fusionner ces informations. Je vais dans Tables, puis Jointure. Nous allons joindre la table Graph Builder à l'autre table. Nous allons effectuer une correspondance sur la colonne « wafer ». C'est notre colonne commune, et vous pouvez voir l'aperçu apparaître. Nous avons maintenant deux colonnes « wafer » car elles sont présentes dans les deux tables. Je vais n'en choisir qu'une pour l'affichage. Commençons par « wafer » et « graph », puis activons cette option.
Nous avons la plaquette et le graphique. Nous allons maintenant sélectionner le reste de notre puce. Voilà, nous avons tout réuni. Nous donnons un nom à notre fichier de sortie et je clique sur OK. Comme j'ai utilisé ces éléments, j'ai deux tableaux, et toutes les données sont maintenant regroupées dans celui-ci. Je vais le fermer. J'ai maintenant ce tableau de données qui me permet d'effectuer plusieurs opérations. Je n'ai pas encore le nombre total de défauts, ni… Je peux faire la somme, ce que je ferai dans un instant, mais je n'ai pas encore les étapes de mon processus. Celles-ci nous aideront à résoudre le problème.
Mais je peux maintenant réaliser des visualisations et des modélisations intéressantes grâce aux données dont je dispose, maintenant que j'ai mes puces comme prédicteurs et mes plaquettes ici, à gauche. Je vais commencer par l'intégration multivariée, une nouvelle fonctionnalité de JMP Pro 18. J'utilise UMAP. Le premier graphique qui apparaît est celui d'UMAP1 et d'UMAP2. Les dimensions de toutes ces puces ont été réduites à deux dimensions différentes, et nous allons examiner certaines relations.
Vous remarquerez que les points noirs ne nous apprennent rien pour l'instant. Ils indiquent simplement les lignes. C'est là que le graphique intervient. Je vais cliquer sur « Graphique », puis faire un clic droit et sélectionner « Utiliser comme marqueur ». Vous verrez alors ce qui se passe dans mon plongement multivarié. Vous pouvez maintenant constater que certaines plaquettes présentant des signatures anormales apparaissent ici, à droite, à l'écart de ce groupe de plaquettes normales. On commence à distinguer certaines de ces plaquettes anormales. C'est un bon moyen de visualiser des signatures de plaquettes dont vous ignoriez peut-être l'existence.
L'étape suivante consiste à effectuer un regroupement. Je vais également l'exécuter séparément. Cette opération utilise toutes mes puces pour regrouper les plaquettes similaires. Vous verrez que les données sont enregistrées dans le tableau. Chaque plaquette est assignée à un groupe différent, et j'ai créé un générateur de graphiques avec un sélecteur de colonnes appelé « sélecteur de groupes ». Je peux ainsi visualiser un modèle contenant 125 plaquettes avec un seul groupe. Avec deux groupes, on commence à distinguer les différentes signatures des plaquettes.
Je peux parcourir la ligne et voir à quoi cela ressemble. Le cluster 5 était, je crois, le plus optimal. Vous pouvez constater que la plupart de nos défauts latéraux se trouvent ici, et nos défauts supérieurs et inférieurs là. Le grand défaut en forme d'anneau apparaît dans un cluster à part. Vous pouvez faire de même pour les autres. Passons à la suite de notre problème. Nous avons évoqué la nécessité d'une table contenant des données de processus. Je vais exécuter un générateur de requêtes séparément, juste pour gagner du temps, afin d'obtenir ces données. Son fonctionnement est identique à celui du générateur de requêtes précédent ; il s'agit simplement de récupérer les données de processus.
Je vais exécuter cette opération pour obtenir mon tableau. N'oubliez pas qu'il est actuellement au format vertical. Nous souhaitons le convertir au format horizontal afin de pouvoir l'associer à nos plaquettes, à notre produit. Je vais commencer par combiner quelques variables pour les rendre plus informatives. Vous comprendrez l'importance de cette étape après la division. Ensuite, j'ajouterai un tiret bas entre l'identifiant de l'étape et le type de processus. Nous pouvons avoir plusieurs types de processus différents. Ici, il s'agit simplement d'équipement, mais il peut y avoir une chambre ou un autre élément avec un identifiant différent. Nous allons concaténer ces éléments afin de distinguer les opérations effectuées à chaque étape pour chaque type de processus.
Je vais faire un clic droit ici, puis sélectionner « Nouvelle colonne de formule » et « Caractère », et concaténer avec un tiret bas. Voilà, ces éléments sont assemblés. Je vais faire la même chose pour le type de processus. Mon identifiant de type, je vais concaténer ces éléments avec un tiret bas. Maintenant que j'ai ces informations, je peux effectuer une division de la même manière que je l'ai fait précédemment avec ma puce. Je vais également exécuter cette opération séparément. Une fois ces étapes terminées, je peux quitter ce tableau.
J'ai maintenant mes plaquettes, 125 au total, avec les différentes étapes et leur type, ainsi que l'identifiant de l'équipement correspondant, qu'il s'agisse de la chambre ou autre. Ce processus peut comporter des centaines, voire des milliers d'étapes. Il n'est pas forcément envisageable de les examiner et de les filtrer pour identifier les plaquettes communes à ces étapes. Nous allons donc intégrer ces données à notre tableau existant, additionner les défauts, puis déterminer quelles étapes contribuent réellement aux caractéristiques de nos plaquettes.
Pour ce faire, je vais revenir en arrière et additionner tous nos défauts. Je peux utiliser une autre petite astuce de formule. Voilà. J'ai sélectionné tous les défauts. Je peux les additionner en un clic droit, puis « Nouvelle colonne de formule », « Combiner et additionner ». Au final, toutes ces valeurs sont additionnées. J'ai une colonne qui regroupe toutes les valeurs, que je vais appeler « Total des défauts ». Cliquez sur OK. Ensuite, nous allons effectuer une jointure similaire à celle que nous avons faite précédemment. Je vais également le faire en arrière-plan. Nous aurons ici notre graphique de plaquette, le total des défauts et les étapes de notre processus. Faisons cela, et nous pouvons les supprimer.
Nous avons maintenant notre plaquette, notre graphique et nos étapes avec les identifiants de nos équipements. À la fin, nous avons le total des défauts. Il s'agit du tableau final qui nous permet de répondre à la question initiale : quelle étape est responsable des caractéristiques observées sur la plaquette ? Une fois mes données organisées dans ce format, je commence par analyser, filtrer et prédire les défauts. Je peux ainsi placer toutes mes étapes (il peut y en avoir des centaines, voire des milliers) dans l'axe des abscisses (X) et le total des défauts dans l'axe des ordonnées (Y).
On va exécuter un modèle pour déterminer les étapes les plus prédictives du nombre total de défauts. Il semble que les étapes 1, 5 et 4 soient potentiellement influentes. Examinons-les séparément. Prenons par exemple les étapes 1, 4 et 5. Je vais utiliser l'outil de création de graphiques. Grâce aux marqueurs sur les plaquettes et aux graphiques, nous pourrons visualiser rapidement le résultat.
Je déplace l'étape 1 ici. Je vais l'agrandir un peu. On voit tout de suite que l'équipement B semble être le plus influent. On a notre défaut haut/bas ici. On dirait qu'on l'a trouvé. Transformons ça en sélecteur de colonnes. Il y a une fonction de reprise et un sélecteur de colonnes. On va examiner les colonnes 1, 4 et 5, et on va ajouter la colonne 8. Je vous explique pourquoi dans un instant.
L'étape 4 a également été déterminante. Il semble que nous ayons identifié nos défauts gauche et droit sur l'équipement L. À l'étape 5, l'équipement N présente la signature en forme d'anneau. J'ai inclus l'étape 8 car nous ne disposons que de deux plaquettes. Il semble que ce soit ici que se situe notre signature de défaut aléatoire, mais nous n'avons que deux plaquettes pour le confirmer. Ce défaut n'apparaît pas encore dans le modèle. Il nous faudrait davantage de données, davantage de plaquettes, pour qu'il se manifeste.
Nous avons pu identifier l'équipement à l'origine de ces défauts. Revenons à notre présentation PowerPoint pour examiner nos objectifs et voir ce que nous avons accompli. Nous avons obtenu des informations exploitables grâce à des décisions basées sur les données. Il semble que nous allons pouvoir examiner cet équipement plus en détail à chaque étape. Il se peut qu'un autre élément soit à l'origine du problème, mais nous avons réduit la piste à cet équipement.
Nous disposons de connaissances réutilisables. Je vais vous montrer Workflow Builder dans un instant et vous expliquer comment tout ce que je viens de faire y a été consigné. Rapidité, flexibilité et puissance tout au long du flux de travail. Ce processus sera réutilisable et pourra être exécuté à nouveau, par exemple dans une autre situation. Il suffira de réécrire quelques étapes très facilement pour obtenir une solution efficace. Cela n'a pas pris beaucoup de temps. Nous réduisons les temps d'arrêt, améliorons la qualité et augmentons nos revenus tout en réalisant des économies.
Les principaux avantages de cette méthode résident dans la rapidité et l'efficacité de la prise de décision. Ce que nous venons de créer n'a nécessité ni des heures de programmation, ni des semaines, voire des mois, d'apprentissage. Il n'est pas resté en attente d'implémentation dans un système, un programme ou une file d'attente. Vous l'avez réalisé vous-même. Il émane de vous, l'expert du domaine. Toute modification nécessaire peut être facilement apportée, car vous maîtrisez parfaitement le processus. Votre analyse est ainsi optimisée, réalisée correctement et reproductible grâce à l'automatisation.
Vous avez récupéré du temps et de l'argent en résolvant rapidement les problèmes de fabrication. Petite précision : votre expertise métier vous permet d'accéder aux données et de déceler des problèmes qu'un gestionnaire de base de données ou une équipe de data scientists pourraient manquer. J'ai constaté des réactions négatives concernant l'accès à ce type de données par des scientifiques et des ingénieurs. Cela pourrait par exemple endommager une base de données en production. Cependant, compte tenu des capacités d'un expert métier, cet accès est essentiel pour faire de nouvelles découvertes et dépasser les pratiques établies.
Une solution envisageable serait de créer une base de données répliquée à partir d'une base de données de production. Grâce à cet outil, vous pouvez constater l'impact positif de l'accès à ces données sur la productivité des scientifiques et des ingénieurs de trois entreprises de semi-conducteurs différentes. Cet outil a libéré les experts métier des tâches fastidieuses de préparation des données pour leur permettre de se concentrer sur la résolution de problèmes d'ingénierie à forte valeur ajoutée. Dans mon cas, pour l'assurance qualité, cela permet de collecter rapidement des informations sur les processus et les rapports, une tâche qui aurait autrement nécessité de nombreuses heures de compilation. Vous gagnez ainsi un temps précieux.
Enfin, la dernière solution que j'apprécie particulièrement est celle qui repose sur des indicateurs concrets : une réduction de 83 % du temps de traitement des données, une baisse significative des coûts et une augmentation de 260 % de la satisfaction au travail des ingénieurs R&D. C'est une approche bien plus directe que d'autres méthodes qui pourraient nuire à la satisfaction. Je vais maintenant vous présenter le flux de travail et le résultat final.
Je vais revenir sur tout ce que j'ai fait ici. Vous pouvez voir comment c'est structuré. Nous reprenons le flux de travail analytique. J'aime regrouper mes étapes en accès aux données, visualisation, préparation des données, etc., autant d'éléments liés au flux de travail analytique. Il y a une partie 1 et une partie 2. Vous pouvez voir tout ce que j'ai fait ici. Au départ, j'ai tout enregistré séquentiellement et organisé ici pour pouvoir le reproduire. Je vais cliquer sur « Lecture » pour visionner l'ensemble, et vous verrez tout apparaître. Nous avons enregistré les graphiques dans le tableau de données. Nous avons ici notre représentation multivariée. Je pense que le modèle est en cours d'exécution pour la sélection des prédicteurs.
Nous avons obtenu notre regroupement. À la toute fin, le filtrage des prédicteurs. Nous avons ici, à la toute fin, le graphique que nous avons examiné lors de nos étapes. Il est très clair que nos équipements B, L et N sont à l'origine des défauts dans nos signatures. Tout cela est reproductible. Vous pouvez relancer le processus avec de nouvelles données et voir quelles nouvelles plaquettes sont affectées à chaque équipement.
J'aimerais maintenant vous présenter un dernier élément concernant Torch Deep Learning. Russ Wolfinger a animé une autre session sur ce sujet, où il l'aborde plus en détail, mais je souhaite ici me contenter de vous montrer quelques exemples de semi-conducteurs, de manière plus générale. Il s'agit d'une fonctionnalité de JMP Pro 18. Pour télécharger un module complémentaire, rendez-vous sur la page dédiée du forum JMP Community, puis accédez à Torch Deep Learning et aux exemples de données. Vous y trouverez un recueil d'exemples Torch, créé par Russ, couvrant diverses situations. Parmi ces exemples, certains concernent les plaquettes de semi-conducteurs et leurs cartographies.
Torch Deep Learning vous permettra d'effectuer une analyse d'image directement à partir de l'image et de classifier les plaquettes, ainsi que les défauts et les signatures qui leur sont associés. Je souhaite vous montrer à quoi cela ressemble car c'est très similaire à ce que nous venons de faire. J'ouvre ici le tableau de données. Vous remarquerez que nous avons une image, un nom de fichier contenant l'identifiant du lot et l'identifiant de la plaquette, le nombre de puces par lot, la taille des puces (donc le nombre de puces dans la plaquette), puis le type de défaillance, c'est-à-dire la classification.
Vous pouvez utiliser ces images pour entraîner un modèle et prédire le type de panne. C'est vraiment génial ! C'est la première fois qu'une interface glisser-déposer permet d'effectuer une analyse d'image de ce niveau grâce à l'apprentissage profond. C'est vraiment impressionnant. Pour plus d'informations, je vous recommande de consulter le guide de Russ sur l'extension Torch Deep Learning ainsi que sa présentation lors de la conférence Discovery de cette année.
Cela étant dit, si vous avez des questions, n'hésitez pas à me les poser à l'adresse suivante : ryan.cooper@jmp.com. Ma présentation est maintenant terminée. Si vous avez des questions, n'hésitez pas à me les poser par courriel. Merci de votre attention.
