Un software de calidad, cuando es manejado por expertos, tiene el poder de transformar el mundo. Proveniente de una empresa líder en fabricación de semiconductores, el valor tangible generado mediante Six Sigma es innegable. Con una amplia gama de casos reales, que abarcan funcionalidades de JMP como Diseño de Experimentos (DOE), análisis multivariante, control de calidad, optimización de procesos e investigación de consumidores, esta colección rompe con el pensamiento convencional, ofreciendo información invaluable para diversas industrias. No es simplemente una muestra de la destreza del DOE; más bien, personifica el rol de JMP como el paradigma de las soluciones de "Toma de Decisiones Basada en Datos". La presentación es coherente, conectando a la perfección diferentes casos a través de un concepto de flujo de trabajo, sirviendo como catalizador crucial para el éxito de los proyectos Six Sigma.
Hola a todos. Me llamo Jiayi Yang y soy ingeniera de soporte de procesos de Applied Materials. El tema que quiero compartir hoy es "Más allá del ensayo y error: Múltiples casos prácticos sobre cómo Applied Materials crea valor con el flujo de trabajo DOE".
En primer lugar, permítanme presentarles la empresa. Les muestro aquí que se llama Applied Materials. Es la empresa líder mundial en semiconductores y equipos de visualización. Ofrecemos prácticamente todo tipo de herramientas para el procesamiento de semiconductores, excepto la máquina de litografía. Imaginen que somos como el supermercado, el Walmart del sector de los semiconductores, y nuestro objetivo es construir un futuro mejor.
Al tener una cartera de clientes tan grande, recibimos muchísimas solicitudes a diario. Por ejemplo, si necesitan actualizar sus productos, pueden acudir a nosotros en busca de ayuda. Para demostrarles nuestra experiencia y responder a sus solicitudes de forma eficaz y rápida, necesitamos realizar proyectos de DOE para determinar la posible relación entre las variables y los resultados finales. Pero la pregunta es: ¿cómo podemos asegurarnos de que la solución final que ofrecemos a nuestros clientes sea la mejor? Ese es el tema que quiero compartir hoy. En Applied Materials, mostraré cómo controlamos cada paso del flujo de trabajo de DOE para garantizar la precisión del modelo de predicción final.
Este informe contó con el gran apoyo de tres expertos del DOE: Jiaping Shen y Charles Chen, de Applied Materials, la misma empresa que yo, y Pin Hu, de JMP. Asimismo, quiero agradecer a todos los ingenieros de procesos que participaron en este proyecto por aportar su experiencia práctica desde la perspectiva del cliente. Su experiencia es fundamental para que este flujo de trabajo sea más viable y adecuado para nuestros ingenieros.
Existen numerosas herramientas de análisis en la plataforma JMP, y nos centraremos en el DOE en este tema. Pasemos al tema en sí. En Applied Materials, el flujo de trabajo del DOE se clasifica en ocho pasos. Limitado por el paso de recopilación de datos, el flujo de trabajo también se puede dividir en tres partes. A la izquierda del paso de recopilación de datos se encuentra el diseño del experimento. A la derecha, el establecimiento del modelo predictivo.
Para guiar a nuestros ingenieros a realizar sus proyectos con mayor éxito y mejorar la eficacia del modelo, cada paso incluye numerosas sugerencias y preguntas. Estas preguntas actúan como instrucciones o advertencias que indican a nuestros ingenieros qué criterios deben seguir en cada paso y, en caso de no hacerlo, qué riesgos encontrarán al final del proyecto.
Por supuesto, cada proyecto es único, y estos ocho pasos solo cubren una amplia gama de escenarios, pero no hay una solución única para todos los modelos. Estamos seguros de que si cada ingeniero puede seguir estos ocho pasos y cumplir con estos criterios en cada uno, incluso un ingeniero junior podrá implementar el proyecto DOE por sí solo y finalmente obtener un buen modelo.
A continuación, explicaré cada paso uno por uno. El primer paso es definir el alcance y el objetivo del DOE, lo que significa que debemos determinar la posible relación entre Y y X. Para no descuidar ninguna correlación importante, debemos determinar todas las variables potenciales.
Para ello, recomendamos utilizar los métodos Seis Sigma. Por ejemplo, el ciclo Seis Sigma o el diseño para el diagrama de parámetros Seis Sigma, entre otros.
Estos métodos Sigma nos ayudan a identificar todas las posibles variables que podrían influir en los resultados finales. Por ejemplo, los diferentes lotes de obleas que recibimos de nuestros proveedores pueden tener una influencia determinante en nuestros resultados finales. Estos son factores que solemos ignorar porque confiamos en nuestros proveedores, pero a veces cometen errores. Otros factores, como los factores de ruido, también pueden influir de forma importante en el resultado final.
Mediante los métodos Seis Sigma, podemos determinar todas las variables Y y potenciales desde un nivel muy alto. Pero la siguiente pregunta es: ¿cómo podemos implementarlo en el nivel de detalle ejecutable? Para ello, podemos utilizar el análisis multivariable para explorar el comportamiento multidimensional de las variables y, además, explorar cómo se relacionan entre sí.
El siguiente paso es reducir el tamaño de las variables. Para ello, podemos usar el análisis de variables por agrupamiento para identificar las variables más representativas e independientes. En este paso, al combinar Seis Sigma y la plataforma JMP, finalmente podemos identificar la Y y la potente X.
Si queremos cuantificar mejor esta relación, necesitamos construir un modelo de DOE. Para mejorar la adecuación del modelo, debemos considerar la estructura del DOE. Sin embargo, existe una idea errónea común: ¿es el DOE del que hemos estado hablando el verdadero? Si solo modificamos un factor a la vez, estamos realizando el EOD (experimento de diseño), no el DOE real, ya que el diseño EOD es más adecuado para explorar los efectos principales.
Si queremos detectar la interacción y otros efectos de alto nivel, necesitamos realizar el DOE real, lo que se denominaría un diseño de experimento ortogonal. En este diseño, se pueden modificar dos o más factores simultáneamente.
Mientras tanto, debemos cuidar el alcance espacial, ya que es crucial para explorar los efectos. Por ejemplo, si el alcance es más amplio, resulta más beneficioso explorar los efectos principales, pero la potencia se diluirá. Si reducimos el alcance, resulta más útil explorar el efecto de interacción.
A veces, necesitamos gestionar las restricciones de diseño por razones prácticas u objetivas. Por ejemplo, si el equipo no puede tolerar simultáneamente altas temperaturas y presiones ultraaltas durante un tiempo determinado. Si simplemente ignoramos estas restricciones de diseño, el valor faltante podría anular la estructura de diseño ortogonal, lo que finalmente provocaría el fallo del modelo DOE. Para gestionar la restricción de diseño, podemos buscar el punto vecino más cercano dentro de la restricción para mantener la estructura casi ortogonal o simplemente rediseñar todo el experimento.
Analicemos un artículo anterior de DS China de AMAT, publicado en 2019 por Christy Pan. En esta imagen, se observa que faltaban tres condiciones en la esquina derecha debido a la limitación de la capacidad del equipo. Si simplemente ignoramos estas tres condiciones, las cifras del DOE se reducirán de 17 a 14.
Lo peor sería que la estructura ortogonal del DOE se arruinaría. Para gestionar esta restricción, necesitamos reducir el rango espacial. Pero la pregunta es: ¿qué parámetro deberíamos seleccionar para reducir el espacio? Mediante la comprensión del proceso, Christy Pin finalmente encontró dos posibles configuraciones de compromiso: una es cambiar el rango espacial del parámetro B y la otra, cambiar el espacio de diseño del parámetro C. Pero ¿cuál debería seleccionar finalmente?
Tras realizar diagnósticos y evaluaciones repetidas comparando la potencia, la confusión, la uniformidad de la predicción, el espacio de diseño y la varianza de la predicción, Christy Pin finalmente optó por la segunda opción. En esta imagen, podemos observar que Christy Pin se esforzó mucho por gestionar estas limitaciones de diseño.
Esto demuestra el espíritu artesanal y respetuoso de Applied Materials. Quizás se pregunte si existe una solución más sencilla para gestionar estas limitaciones de diseño desde el principio. Por suerte, la plataforma JMP ofrece una mejor opción: el diseño personalizado. Este diseño puede adaptarse a diversos tipos de factores, restricciones y combinaciones no permitidas, y también admite factores de cambio difíciles y muy difíciles.
Podemos especificar qué efectos son necesarios y cuáles deseables. El diseño personalizado nos ofrecerá un conjunto de planes de DOE que se ajusten a estas restricciones. Es una forma mucho más sencilla de gestionar los planes de DOE con restricciones de factor.
Tras elaborar los planes del DOE, acudimos a nuestros clientes o a nuestro jefe para contarles nuestros experimentos, y el 90 % de las probabilidades son cuestionadas y finalmente rechazadas por la preocupación del coste del experimento. Nos preguntarán: "¿De verdad necesitas hacer tantos experimentos?". Por ejemplo, si necesitamos averiguar la relación entre las nueve variables, necesitamos realizar al menos 21 experimentos. Considerando que cada oblea puede costar miles de dólares, el coste del experimento es bastante elevado, ¿verdad? ¿Cómo podemos solucionar estos problemas?
Aún por suerte para usted, la plataforma JMP también ofrece una mejor opción, y es el diseño supersaturado ortogonal de grupo, y es un método especial que puede ayudarnos a seleccionar las variables más significativas entre las variables abundantes.
Por ejemplo, puede ayudarnos a determinar siete variables solo en seis ejecuciones. ¿Increíble, verdad? Ahora, veamos un caso práctico con este método GO SSD. En este caso, el proceso de un solo paso se dividió en dos, lo que significa que podemos probar dos condiciones simultáneamente en una sola oblea. Esto definitivamente reducirá el costo, ya que solo se requieren seis ejecuciones para siete variables. Lo más importante es que el R cuadrado se incrementó considerablemente del 27% al 92%, y este método GO SSD fue verificado con éxito por el cliente. Además, gracias a este éxito, podemos afirmar que el diseño de GO SSD es un método económico que nos permite detectar las variables importantes desde el principio.
Cabe mencionar que el método GO SSD solo considera los efectos principales. Si queremos mantener la estructura ortogonal del DOE, debemos aumentar el DOE.
A continuación, cuando estamos elaborando nuestro plan de DOE y los clientes finalmente aceptan realizar todos los experimentos, llegamos a la etapa de recopilación de datos. Quizás piense que este paso es bastante sencillo, ya que solo requiere realizar el experimento y luego recopilar los datos. Pero si lo cree así, está totalmente equivocado, ya que esta es la parte más complicada. Cualquier ruido inesperado arruinará la idoneidad del modelo final. La capacidad de medición es clave.
Ahora, permítanme mostrarles una lección crucial que aprendimos de la deficiente capacidad de calibración y repetición. En este caso, estábamos ayudando a nuestros clientes a construir su modelo y nos confundió mucho ver que el modelo final era bastante extraño, lo que nos llevó mucho esfuerzo solucionarlo. Finalmente, les recomendamos a nuestros clientes que reevalúen su capacidad de medición. Sorprendentemente, como pueden ver en esta imagen, se analizaron nueve muestras dos veces y la repetibilidad fue un desastre porque las obleas se oxidaron tras el largo tiempo de espera para la medición.
Una vez identificada la causa raíz, sugerimos a nuestros clientes controlar el tiempo de inactivación o colocar las obleas en la jaula de nitrógeno en caso de oxidación. Tras esta mejora, el modelo final es adecuado. Aprendiendo de esta lección, instamos a nuestros ingenieros a reevaluar la capacidad de medición antes de la etapa de recopilación de datos. En ocasiones, el responsable de la metodología insiste en que su metodología es suficientemente buena, pero no podemos confiar en él, ya que, en la mayoría de los casos, solo prueba la repetibilidad dentro del propio recorrido e ignora la reproducibilidad. Esto significa que puede no considerar las diferencias entre las habilidades de los operadores u otros problemas asociados con el tiempo de inactivación u otros factores.
Mientras tanto, la relación PT es un parámetro que determina la capacidad de medición, y es una función de la tolerancia. Una vez que el proceso se ajusta, la capacidad de medición debe mejorarse simultáneamente. De lo contrario, la capacidad metodológica puede afectar los resultados finales.
Además, el Gauge R&R solo evalúa el error aleatorio. Pero ¿qué ocurre con otros factores como el error del sistema, la estabilidad a lo largo del tiempo, etc.?
Para una evaluación más completa y eficaz, podemos utilizar la plataforma de análisis del sistema de medición JMP para elaborar el plan de evaluación. Finalmente, tras la recopilación de datos, podemos construir nuestro modelo.
Para encontrar el mejor modelo y verificar su adecuación, podemos usar las Estadísticas Abundantes o la Herramienta de Visualización Poderosa en la plataforma JMP. Por ejemplo, los valores estadísticos aquí nos dirán si el ajuste de su modelo es lo suficientemente bueno o si hay alguna preocupación que deba atender. Por ejemplo, ¿hay alguna preocupación culinaria o falta de miedo o preocupación por el sobreajuste? Mientras tanto, los perfiles de interacción también pueden indicarnos el efecto de interacción entre las variables. También pueden decirnos algo que quizás no hayamos descubierto antes. Por ejemplo, en este caso, si no hiciéramos el proyecto DOE, no veríamos que el efecto de la relación de gas a la densidad se verá muy afectado por la potencia. Al combinar estos valores y juzgar desde nuestro sentido de ingeniería, podemos elegir un modelo de batalla. Me gustaría mencionar Imagine que el JMP 18 tiene nuevas características que pueden ayudarnos a comprender mejor los efectos de interacción.
Finalmente, también quiero enfatizar que el éxito de un proyecto requiere el momento, el lugar y las personas adecuados. En la mayoría de los casos, el factor humano es el principal factor que puede llevar al proyecto al fracaso.
Necesitamos identificar los factores de amenaza desde el principio. Por ejemplo, debemos asegurarnos de que nuestro jefe y colegas nos brinden los recursos necesarios para ayudarnos a implementar el proyecto del DOE desde el principio hasta el final.
También debemos asegurarnos de que nuestro cliente no cancele repentinamente el proyecto. Para evaluar el consenso entre los miembros de nuestro equipo, utilizamos de forma innovadora el diseño de elección para explorarlo. Este diseño se utiliza principalmente en el estudio de consumidores y es similar a la reproducibilidad de Gauge R&R, lo que nos permite determinar si nuestro acuerdo es aceptable o no.
Por ejemplo, en este caso, en las frases de espuma y pisoteo, aplicamos el diseño de elección para evaluar el consenso entre los miembros de nuestro equipo, y observamos que, en algunos puntos, el acuerdo fue tan bajo como el 46 %. Mediante explicaciones adicionales entre los miembros del equipo, actividades de team building u otras, finalmente aumentamos nuestro acuerdo del 46 % al 90 %. Al realinear la prioridad del equipo, podemos exigir cosas en un solo lugar y, finalmente, la energía se dirige en una sola dirección.
Este es un ejemplo de cómo aplicamos de forma innovadora el diseño de elección al proyecto DOE. Por supuesto, existen muchas otras herramientas útiles en la plataforma JMP que esperamos explorar y aplicar al proyecto DOE de forma flexible e innovadora. Estos métodos nos ayudarán a implementar el proyecto con mayor éxito.
Como dijo John Sall, cofundador de JMP: «Un gran software en las manos adecuadas puede cambiar el mundo». Estamos seguros de que si cada ingeniero puede seguir estos ocho pasos y cumplir con todos los criterios de cada uno, independientemente de su experiencia, podrá realizar el proyecto teórico por sí mismo y finalmente obtener un modelo más preciso. Después de escuchar lo que acabo de decir, ¿se ha preguntado si estos ocho pasos son lo suficientemente efectivos? Para descubrir el secreto, ¿por qué no lo prueba usted mismo y descubre la magia de este flujo de trabajo? Eso es lo que quiero compartir hoy, y gracias por escuchar.
