Bonjour à tous. Bienvenue. Aujourd'hui, nous allons explorer comment le scripting JMP et l'automatisation des flux de travail peuvent améliorer l'efficacité dans l'industrie des semi-conducteurs. Je me permets de vous présenter brièvement les intervenants. Je suis Su-Heng Lin, ingénieur principal senior chez NXP Semiconductor, et Martin Demel est ingénieur système JMP principal. Laissez-moi vous guider à travers cette présentation. Nous commencerons par expliquer pourquoi l'automatisation des flux de travail est essentielle dans la fabrication des semi-conducteurs. Ensuite, nous examinerons le processus de fabrication des plaquettes afin d'en comprendre la complexité. Puis, nous comparerons la modification des processus et le transfert de technologie, en soulignant leurs différences et leurs flux d'activité. Nous explorerons comment les cadres d'analyse basés sur les données, tels que la planification d'expériences (DOE) et l'analyse Cpk, facilitent l'évaluation et la prise de décision. Nous passerons ensuite en revue l'analyse comparative des performances et la distribution des paramètres électriques. Le clou du spectacle sera une démonstration en direct du générateur de flux de travail JMP par Martin. Enfin, nous conclurons par un résumé des points clés et une séance de questions-réponses.
En ingénierie des semi-conducteurs, les ingénieurs réalisent régulièrement des expériences standardisées et rédigent des rapports pour la gestion des changements, le transfert de technologie et la conformité aux audits. Ces rapports sont souvent élaborés manuellement à l'aide d'outils comme JMP et Excel, puis compilés dans des documents PowerPoint ou Word. Ce processus est chronophage, incohérent et parfois incomplet. Les compétences des différents acteurs peuvent varier, ce qui engendre des inefficacités et des lacunes en matière de reproductibilité et de conformité, notamment lors des transferts de technologie entre sites.
Aujourd'hui, nous allons vous montrer comment le générateur de flux de travail JMP peut simplifier l'ensemble du processus en automatisant des tâches telles que le nettoyage des données, l'analyse statistique et la génération de rapports. Nous pouvons produire des résultats robustes et standardisés en quelques minutes. Aucune programmation n'est requise et le flux de travail garantit l'intégrité des données tout en améliorant l'efficacité de l'équipe. Plus loin dans cette section, Martin vous montrera à quel point il est facile d'en créer un avec JMP 19 Pro.
La fabrication des semi-conducteurs comprend des centaines d'étapes et un cycle de production long. Prenons un instant pour apprécier la complexité de la fabrication des plaquettes. On commence avec un lot de plaquettes, généralement 25 plaquettes de silicium Bayer. Ces plaquettes subissent des centaines d'étapes de traitement complexes, nécessitant au minimum 9 à 16 semaines. Le processus débute par l'oxydation, la photolithographie et la gravure pour définir le circuit imprimé. Viennent ensuite le nettoyage et l'implantation de fer, modifiant ainsi les propriétés électriques. Puis, le dépôt de métal et de diélectrique permet de constituer les couches nécessaires à l'interconnexion et à l'isolation. Chaque étape doit être contrôlée avec précision pour garantir les performances et la fiabilité du dispositif. Une fois la fabrication terminée, on procède à un test d'acceptation des plaquettes, également appelé test de classe, au cours duquel des composants individuels, comme un transistor et des condensateurs, sont testés pour vérifier leur qualité.
Si les plaquettes réussissent le test, elles passent à la sonde unitaire où chaque colorant est testé au niveau du circuit imprimé. Ce processus rigoureux garantit que seules les plaquettes de haute qualité sont conditionnées et soumises aux tests finaux. Il est essentiel de comprendre ce flux, car toute modification de processus ou tout transfert de technologie doit préserver l'intégrité de toutes ces étapes. C'est pourquoi une évaluation robuste et une automatisation sont si cruciales dans notre secteur.
Comparons la modification des procédés et le transfert de technologie. La modification des procédés vise à améliorer des étapes spécifiques au sein d'une usine, en fonction de problèmes internes, et implique des méthodes de validation et des flux d'approbation spécifiques. À l'inverse, le transfert de technologie vise à accroître la capacité de production ou à passer à la production en série, suite à des décisions stratégiques, et implique des flux de procédés plus larges et des processus d'approbation plus complexes. Malgré cette différence de portée et d'objectif, ces deux opérations partagent une similitude essentielle : elles reposent sur les mêmes fondements expérimentaux et analytiques. La conception d'expériences, l'analyse statistique et les critères de qualification sont au cœur des deux. Qu'il s'agisse d'améliorer un procédé localement ou de le transférer globalement, la rigueur de la validation basée sur les données demeure inchangée. C'est ce socle commun qui confère toute sa puissance à l'automatisation des flux de travail. Elle standardise et accélère cette étape commune dans les deux cas.
L'évaluation de la conformité implique l'optimisation des paramètres clés et la vérification de leur respect des critères de qualification. Des formats et des flux de travail standardisés permettent d'améliorer l'efficacité. Cette diapositive décrit la structure du flux que nous utilisons pour évaluer les modifications apportées à la fabrication de semi-conducteurs. Elle débute par une analyse DOE (plan d'expériences), où nous optimisons les modèles en fonction des paramètres clés cibles afin d'améliorer les performances en fin de ligne. Chaque conception peut nécessiter une approche unique, mais l'objectif reste le même : identifier la variable ayant le plus d'impact. Ensuite, nous comparons la distribution des paramètres électriques pour nous assurer que toutes les métriques clés respectent les critères Cpk et Delta Sigma. Cette étape bénéficie grandement des formats standardisés et des flux de travail automatisés, qui améliorent à la fois l'efficacité et la reproductibilité. Puis, nous générons un rapport Cpk et de rendement pour évaluer la conformité des paramètres optimisés aux critères de qualification. C'est à ce stade que nous validons la validité statistique des modifications proposées et leur aptitude à la production.
Enfin, à partir de toutes les données recueillies, l'équipe formule une recommandation pour le prochain cycle d'apprentissage. Ce processus garantit non seulement une évaluation rigoureuse, mais favorise également l'amélioration continue, le rendant applicable aussi bien aux changements de processus qu'aux transferts de technologie. Ici, la boucle d'amélioration continue comprend une production expérimentale, une analyse ciblée des données et une revue des performances. Si les performances s'améliorent, nous itérons avec l'expérimentation suivante. Dans le cas contraire, nous cherchons à éliminer les valeurs aberrantes en identifiant la cause profonde. Ce processus nous aide à gérer et à améliorer efficacement nos opérations de fabrication. Il est important de comprendre le contexte opérationnel. Les changements de processus sont généralement gérés par le comité d'action des changements (CAB) et bénéficient souvent du soutien du service informatique de production pour la mise en place d'une plateforme analytique standardisée. En revanche, les transferts de technologie sont plus ponctuels. Ils peuvent impliquer l'évaluation de données allant au-delà de la simple comparaison entre le contrôle et les ventes proposées, ou la gestion de multiples modifications sur un même lot de plaquettes. Cette complexité ne justifie souvent pas l'investissement du service informatique dans une solution universelle. C'est là que les ingénieurs peuvent prendre l'initiative en utilisant des scripts JMP, l'automatisation et les outils de workflow pour construire leurs propres plateformes d'analyse efficaces et reproductibles. Cela permet aux équipes de maintenir rigueur et rapidité même en l'absence d'émetteur. À titre d'exemple, nous examinerons le transfert de technologie pour montrer comment l'organisation du travail peut améliorer l'efficacité d'un ingénieur en conception de dispositifs.
Passons à la diapositive 9 : nous allons détailler les étapes clés et les revues de validation d'un processus de transfert de technologie. Ce processus débute par le lancement et la planification du projet, au cours desquels nous définissons le périmètre, les objectifs et obtenons l'approbation du concept, de sa définition et de sa planification. Une fois le projet prêt, nous passons à la phase de validation. Celle-ci comprend la vérification de l'état de préparation, l'approbation du gel du processus et l'autorisation de mise en œuvre des risques. Cette étape garantit la stabilité du processus et la bonne compréhension des risques avant le passage à l'échelle.
Enfin, nous arrivons à la phase de mise en production et de clôture, où le projet est officiellement déployé en production et le cycle de développement s'achève. Chaque étape sert de point de contrôle pour garantir la qualité, la cohérence et la responsabilisation des équipes. La compréhension de ce cadre nous permet de mieux appréhender les étapes détaillées de l'évaluation des performances présentées dans la diapositive suivante.
Voici l'analyse complète des performances. Elle débute par l'extraction des données des PC du site, suivie du nettoyage et du traitement des données. Viennent ensuite l'analyse statistique descriptive, la génération de rapports, leur distribution, leur comparaison et, enfin, l'analyse des capacités et du rendement. Chacune de ces étapes est essentielle pour garantir que le processus de transfert réponde aux normes de qualité et de fiabilité. Bien que chaque étape de ce flux puisse bénéficier de l'automatisation JMP en raison des contraintes de temps, nous concentrerons aujourd'hui la démonstration sur les deux étapes mises en évidence en bleu.
L'analyse statistique descriptive et la comparaison de la distribution des paramètres électriques sont réalisées. Dans un premier temps, JMP permet de synthétiser rapidement les indicateurs clés (moyenne, écart type et rendement) par lot et par plaquette. Ceci contribue à établir une base de référence et à identifier les premières tendances. Dans un second temps, JMP est utilisé pour préparer les distributions des paramètres entre sites ou conditions. Un test statistique permet de détecter les variations significatives. Ces étapes sont fondamentales pour valider l'alignement entre la source et les usines de réception. L'automatisation de cette tâche permet aux ingénieurs de générer des résultats cohérents et précis en quelques minutes, libérant ainsi du temps pour une analyse plus approfondie et la prise de décision.
Examinons maintenant plus en détail comment cela fonctionne en pratique. Dans cette diapositive, je présenterai l'analyse expérimentale visant à identifier les facteurs clés du processus et les plaquettes correspondantes répondant à nos objectifs. Nous nous concentrerons sur l'analyse de la variabilité de X_344, en mettant en évidence la valeur cible et le point de basculement pour différentes parties, avec 25 lots de plaquettes. Dans le cadre de l'amélioration de X_344, il faut compter 5 mois entre la conception, la réalisation du processus sur plaquettes et l'expérimentation. J'ai ensuite consacré un mois supplémentaire à la collecte de toutes les données paramétriques de fin de ligne afin de générer un rapport et de préparer la discussion sur l'expérimentation suivante. Cette analyse nous a permis d'optimiser nos processus et de garantir l'atteinte de notre objectif de performance. Le délai d'analyse des données et de rédaction du rapport est toutefois légèrement trop long.
Je souhaite simplement vous montrer que pour toutes ces analyses, nous avons répertorié les paramètres électriques utilisés dans l'évaluation. Ceux-ci sont classés en deux catégories : la fiabilité P1 et les paramètres optionnels P2, utilisés lors de la production et de la quantification. La liste complète des paramètres électriques W80 est divisée en deux catégories : P1 et P2. P1 inclut les paramètres critiques pour la fiabilité, répartis dans la liste WAC et la liste de surveillance. P2 couvre les indicateurs optionnels pour une analyse approfondie. Ces paramètres sont évalués lors d'une analyse de performance (PPA) et d'une analyse de la recherche et de l'ingénierie (R&E). Sous la feuille de calcul, un résumé présente les principaux livrables : résultat de réussite/échec, rapports Ppk, plan d'amélioration, coûts de formation et traçabilité des lots. Ce cadre garantit une évaluation cohérente et favorise la prise de décisions fondées sur les données tout au long du processus de transfert de technologie.
Voici le rapport Cpk et de rendement pour l'évaluation de ce paramètre. Il fournit des informations sur la capabilité du processus pour tous les autres paramètres. Ce paramètre n'est pas notre priorité. Tout paramètre présentant de faibles performances est mis en évidence pour un examen plus approfondi. Cette diapositive présente le rapport de synthèse requis pour valider toute étape de transfert de technologie selon les critères définis par l'entreprise. Ce rapport est essentiel pour la revue de validation. Il fournit une base quantitative pour la prise de décision et garantit que le processus de transfert répond aux normes de performance et de fiabilité avant la montée en production.
La diapositive suivante présente un cadre d'analyse des risques pour évaluer la distribution des paramètres électriques lors d'un transfert de technologie ou d'une modification de processus. Ce cadre utilise deux indicateurs clés : le delta sigma, qui mesure la variabilité entre les différentes parties, et les capabilités du processus, le Cpk, qui reflète la capacité des paramètres à rester dans les spécifications. Les paramètres sont classés en cinq niveaux de risque. Le niveau 1 ne requiert aucune action. Le niveau 2 suggère une discussion avec le service concerné. Les niveaux 3 et 4 indiquent la nécessité d'une action ou d'un examen plus approfondi. Enfin, le niveau 5 signale un problème critique exigeant une action obligatoire.
Dans cet exemple, nous travaillons sur l'évaluation du gain APF. Lors de cette évaluation, les niveaux de risque 1 et 3 sont considérés comme réussis, les autres comme non réussis. Cet indicateur aide l'équipe à prioriser les ressources, à harmoniser les décisions et à maintenir le niveau de qualité pendant l'évaluation. La comparaison de la distribution des paramètres électriques entre les usines permet d'identifier les variations et les problèmes d'alignement. C'est ce rapport que nous présenterons en direct aujourd'hui. Il s'agit d'un outil essentiel utilisé par l'équipe de transfert pour évaluer et améliorer la correspondance des performances paramétriques de fin de ligne entre l'usine mère et l'usine cible. Le tableau compare les paramètres électriques de plusieurs lots, en affichant des indicateurs clés tels que les limites de spécification inférieure et supérieure, la moyenne, l'écart type et le Cpk pour l'usine de référence et l'usine cible. Nous incluons également la signification du delta et le niveau de risque attribué (de 1 à 5), ce qui nous permet d'identifier rapidement les paramètres bien alignés et ceux qui nécessitent des actions de l'usine mère.
Ce rapport est particulièrement pertinent car il fournit une base quantitative à la prise de décision. Il a permis aux ingénieurs d'identifier les incohérences, de comprendre la variabilité et de prioriser les actions correctives. En automatisant cette analyse dans JMP, nous pouvons générer ces informations rapidement et de manière cohérente, ce qui favorise un cycle d'apprentissage plus rapide et un transfert de technologie plus fiable.
Cette diapositive présente les résultats de la comparaison de distribution précédente. Voici une autre vue de la comparaison de distribution des paramètres. Utilisez-la pour prioriser les ressources d'ingénierie. J'ai listé ici les paramètres les moins performants, ceux classés au niveau de risque 5. Ces paramètres indiquent un mauvais alignement et une faible capacité globale du processus, ce qui les rend critiques pour une analyse approfondie. Le graphique visualise leur position dans la zone de risque élevé, et le tableau met en évidence des indicateurs spécifiques comme le Cpk et le delta sigma. Dans la diapositive suivante, nous examinerons plus en détail ces paramètres de niveau de risque 5 en analysant leur graphique de tendance. Cela aidera l'équipe à évaluer la stabilité dans le temps et à orienter les prochaines étapes d'amélioration.
Cette diapositive présente un graphique de tendance pour deux des cinq paramètres de risque listés. Nous utilisons X_30 et X_349 comme exemple. Ces paramètres ont été mis en évidence dans la comparaison de distribution précédente. Cela permet de visualiser l'évolution des performances et d'identifier les problèmes critiques. Il peut s'agir d'un élargissement de la distribution associé à un décalage de la moyenne, ou d'un simple décalage de la moyenne. Nous avons ajouté les données de référence de l'usine mère pour permettre une comparaison vidéo avec l'usine de réception. Ce graphique nous aide à évaluer la qualité de l'alignement du processus de transfert au fil du temps en suivant la variabilité et les moyennes du groupe, afin d'identifier les erreurs persistantes ou les améliorations. Cette visualisation est essentielle pour orienter les actions correctives et valider l'impact des ajustements météorologiques sur notre rapprochement de l'objectif.
Voici notre dernier graphique à partager. Le graphique de décalage delta illustre les changements entre le flux d'intégration actuel (WD) et le précédent (WC). Il met l'accent sur les paramètres passant d'une zone performante à une zone défaillante. Auparavant, nous nous concentrions sur les cinq paramètres à haut risque et leur alignement avec la configuration de référence de l'usine mère. Ici, nous adoptons une perspective plus large. La direction et l'équipe de transfert souhaitent également comprendre les performances du facteur de processus nouvellement identifié dans WD par rapport à WC. Cela permet d'évaluer si l'intégration améliore réellement le comportement paramétrique. Nous analysons les variations du Cpk et du delta sigma entre les plaquettes, afin d'identifier les paramètres passant d'une zone défaillante à une zone performante, et inversement. Cette analyse comparative est essentielle pour orienter les futures stratégies d'intégration et valider l'efficacité des modifications de processus.
Nous allons maintenant passer à une démonstration en direct. Martin, vous allez montrer comment créer un flux de travail avec JMP19 Pro. Cette démonstration durera environ 10 minutes.
Merci, Su-Heng.
Aucun problème.
Examinons cela de plus près. Comme vous l'avez vu dans la présentation de Su-Heng, plusieurs étapes sont nécessaires. Ce processus a déjà été réalisé dans des feuilles Excel, ce qui permet d'obtenir les rapports sur les niveaux de risque, avec deux graphiques côte à côte. Il faut également comprendre les variations observées. Ce processus comporte plusieurs étapes, à répéter régulièrement. Comme l'a mentionné Su-Heng, un mois d'analyse est une durée assez longue. Nous avons donc cherché à la réduire à un délai raisonnable afin d'améliorer l'efficacité. Concrètement, lors de la création du tableau récapitulatif des données de l'usine mère, nous devons calculer la moyenne et l'écart type. Nous devons également obtenir les données Cpk, extraites des rapports. Nous devons procéder de la même manière pour la conception actuelle et la conception précédente. Il nous faut ensuite combiner toutes ces données dans un seul grand tableau afin de générer les rapports de niveau de risque pour la conception actuelle, la conception précédente et le rapport d'évolution. Grâce à JMP19 et à son générateur de graphiques, nous pouvons visualiser directement l'évolution, évitant ainsi de juxtaposer deux graphiques et de devoir identifier les points d'intérêt. Enfin, pour les paramètres qui nous intéressent, nous créons également le graphique de tendance.
Exécutons tout cela pour que vous compreniez son fonctionnement et comment, au final, il réduit considérablement les étapes qui prenaient plusieurs heures à quelques clics seulement. On sélectionne d'abord les données de l'usine mère, puis l'analyse récapitulative est effectuée et un tableau de données est créé. Ensuite, il faut collecter les données de conception actuelles. Cette opération, là encore, produit le tableau complet. Enfin, on récupère les données de conception précédentes. Une fois ces informations collectées, le test combine à nouveau les données du tableau, créant ainsi le tableau de bord des niveaux de risque et les graphiques de tendance supplémentaires pour les paramètres. Je ne détaillerai pas les graphiques de tendance pour l'instant. Je souhaite simplement mettre en avant le tableau de bord, car vous y trouverez, à droite, le rapport des niveaux de risque de la conception actuelle, ainsi que les résultats des passages 1 et 3, c'est-à-dire tout ce qui se trouve dans cette zone. On retrouve les mêmes informations dans la partie supérieure pour la conception précédente, et l'on peut également observer les variations dans toutes ces plages.
Nous disposons de plusieurs méthodes pour affiner ces données. Nous pouvons partir de l'absence de changement, auquel cas nous considérons que le niveau de risque est inchangé, mais nous voulons vérifier si quelque chose a évolué, au moins vers une meilleure orientation. Nous pouvons examiner ces cas. Mais le plus intéressant, ce sont bien sûr les changements. Si nous considérons la conception précédente, de niveau de risque 1, qui était une bonne approche, constatons-nous que la conception actuelle nous a menés vers le pire ? Oui, nous en voyons quelques-uns. Celui-ci est le plus critique, probablement parce qu'il est en rouge : il est passé du niveau de risque 1 au niveau 5. Il est certainement important d'examiner la comparaison entre la conception précédente et la conception actuelle, ainsi que d'autres cas similaires. Vous pourriez vouloir les examiner. Mais nous pouvons également filtrer les données en fonction de la valeur d'un paramètre spécifique.
Une autre approche consisterait, si je démasquais cela un instant, à examiner les éléments les plus critiques de la conception actuelle et à observer leur évolution, leur parcours et les liens entre eux. Selon le point de vue choisi sur l'évolution du niveau de risque, cela permet de se concentrer sur les éléments à visualiser plutôt que d'analyser tous les points et de comparer : « Celui-ci présente un changement de niveau de risque. Celui-ci n'en présente pas. » Ce sont là les variables. L'objectif est de voir quel point de données se trouve de l'autre côté. On constate qu'il est toujours présent. On peut les examiner un par un, ou tous ensemble et filtrer les résultats. C'était l'un des mouvements les plus importants ici.
Enfin, vous obtenez votre tableau de données final avec tous ces codes couleur indiquant les niveaux de risque, ainsi que des informations supplémentaires sur les éléments concernés. Comment y parvenir ? Ouvrons simplement un nouveau générateur de flux de travail. J'ouvre un nouveau flux de travail. Vous le trouverez dans Fichier, Nouveau flux de travail. Commençons donc. Avant toute action, j'efface toujours l'historique afin de ne rien avoir dans mon journal. J'ouvre d'abord un élément : les données principales, car je souhaite les exploiter. Je clique sur « OK ». Le système me demande si je dois déjà enregistrer ces étapes. Je réponds « Oui ». Je vous donnerai quelques conseils et astuces, en vous expliquant ce qui est pertinent et ce qui ne l'est pas.
L'étape suivante consiste à créer le rapport. Par souci de gain de temps, je ne présente ici que les rapports finaux. Voici le rapport Cpk. Je peux le fermer ; vous voyez, il effectue déjà le calcul et la tabulation. Nous pouvons donc déjà examiner ce qui s'est passé en arrière-plan. Voici le tableau ouvert. Vous pouvez modifier la description et les notes. Voici le script, si vous le souhaitez. Il s'agit d'un fichier codé en dur. Je vais suivre le premier conseil. Si je veux ouvrir un tableau de données (qui n'est pas toujours le même), vous pouvez ignorer cette étape, car la suivante demandera le tableau de données « Austin mother fab data ». S'il est absent, le système vous demandera la marche à suivre.
Exécutons cette partie du script. Je l'ouvre. Il me demande quelle table de données utiliser. C'est une table que je n'ai pas encore ouverte, je la sélectionne donc. Cela crée déjà mes deux étapes. Je vois que tout a fonctionné correctement. Maintenant, je dois combiner ces tables. Je peux aller dans « Tabulate » et choisir « Convertir en table de données ». Je fais la même chose ici : je convertis cette table en table de données en faisant un clic droit et en sélectionnant « Convertir en table de données ». Vous voyez, les deux tables ont été ajoutées.
Maintenant, examinons quelques points supplémentaires. Vous voyez qu'ici, le groupe de colonnes est appelé PC. D'où provient-il ? Il provient tout simplement du tableau de données, ce qui constitue une bonne méthode pour structurer le tableau. Toutes les colonnes d'analyse sont regroupées dans un ensemble appelé PC. Cela simplifie les choses, car si je ne procède pas ainsi (certaines plateformes ne gèrent pas cela, la fonction Tabulate considérant toutes les variables comme une catégorie), elle les intègre directement. Vous pouvez donc utiliser cette option de groupe de colonnes, l'appliquer ici et, au lieu de tous ces paramètres, indiquer simplement le groupe de colonnes à utiliser. Pourquoi est-ce utile ? Parce que c'est indépendant du nom des colonnes, ce qui est très pratique. Regrouper les colonnes de votre tableau fait une grande différence lors de l'automatisation. C'est une fonctionnalité que vous pouvez utiliser ici.
Comparons maintenant avec le flux de données initial que j'ai créé. Je vais l'examiner. Vous voyez, nous devons créer les données récapitulatives principales. Je vais passer du mode Présentation au mode Normal pour les comparer. J'ai également utilisé le groupe de colonnes PC. J'ai aussi créé un autre élément avec ce groupe. J'ai effectué quelques opérations supplémentaires : j'ai créé un objet. Je vais l'ajouter ici. C'est la fonction Tabulate, pardon. C'était bien ça. J'ai ajouté cet objet, une référence, qui n'est pas visible actuellement. Cela me permet de créer un fichier ou une table de données auxiliaire, auquel je donne un nom spécifique. Je pourrai ensuite faire référence à ce nom pour combiner des tables de données avec un identifiant unique. Voilà pourquoi j'ai procédé ainsi, puis j'ai fermé le rapport. Vous pouvez l'associer à un script, surtout pour des opérations complexes. Mais pour la plupart des choses, je pouvais simplement utiliser le flux de travail que je viens de créer ici.
Un dernier point avant de redonner la parole à Su-Heng : personnellement, je n'utilise pas l'enregistrement. Si mon flux de travail est complexe, comme celui que vous voyez à gauche avec plusieurs étapes, je conserve les tâches effectuées, qui seront ajoutées à l'historique des blocs. Je ne sélectionne que les éléments qui m'intéressent et les intègre au flux de travail. Je peux ensuite les annoter, puis, une fois que tout me convient, les regrouper en une seule étape, par exemple « Première étape ». J'ai renommé le groupe « Première étape » et ajouté quelques précisions pour que la procédure soit claire. Voilà pour l'exemple de gauche. Ce ne sont que quelques astuces pour le moment. Sur ce, je redonne la parole à Su-Heng pour la conclusion. Ceci est la dernière diapositive.
Merci infiniment, Martin. Quelques minutes ont suffi pour terminer un mois de travail. Formidable ! Pour conclure cette présentation, nous avons souligné comment les scripts JMP et le générateur de flux de travail permettent aux ingénieurs de réaliser des analyses reproductibles et évolutives sur différents sites et projets. L'automatisation des flux de travail réduit considérablement les interventions manuelles. Ce qui prenait des jours se fait désormais en quelques minutes. La standardisation des formats et des critères d'évaluation améliore non seulement l'efficacité, mais garantit également la cohérence et la conformité, notamment lors des transferts de technologie. Les ingénieurs peuvent ainsi se concentrer sur la conception d'expériences plus efficaces et l'accélération des cycles d'apprentissage, plutôt que sur le traitement initial des données. L'automatisation prend en charge aussi bien les changements de processus structurés que les transferts de technologie plus ponctuels. Grâce à une meilleure intégrité et traçabilité des données, les équipes peuvent prendre des décisions plus rapides et plus éclairées. Merci de votre attention. Nous vous invitons à poser vos questions.
