Hola. Bienvenidos. Hoy exploraremos cómo la automatización de flujos de trabajo y la creación de scripts con JMP pueden mejorar la eficiencia en la industria de semiconductores. Breve presentación de los ponentes: soy Su-Heng Lin, Ingeniero Principal Senior en NXP Semiconductor, y Martin Demel es Ingeniero Principal de Sistemas JMP. Permítanme explicarles la presentación de hoy. Comenzaremos con la motivación: por qué la automatización de flujos de trabajo es fundamental en la fabricación de semiconductores. A continuación, analizaremos el proceso de fabricación de obleas para comprender su complejidad. Después, compararemos el cambio de procesos y la transferencia de tecnología, destacando sus diferencias y flujos de negocio. Profundizaremos en cómo los marcos basados en datos, como el diseño de experimentos (DOE) y el análisis Cpk, respaldan la evaluación y la toma de decisiones. Posteriormente, revisaremos la evaluación comparativa del rendimiento y la distribución de parámetros eléctricos. Finalmente, Martin realizará una demostración en vivo del creador de flujos de trabajo de JMP. Para concluir, presentaremos las ideas clave y abriremos la sesión de preguntas y respuestas.
En ingeniería de semiconductores, los ingenieros realizan habitualmente experimentos estandarizados y generan informes para la gestión de cambios, la transferencia de tecnología y el cumplimiento de auditorías. Estos informes suelen elaborarse manualmente con herramientas como JMP y Excel, y luego se compilan en documentos de PowerPoint o Word. Este proceso resulta lento, inconsistente y, en ocasiones, incompleto. La variabilidad en la habilidad de los ingenieros al elaborar estos informes genera ineficiencia y deficiencias en la repetibilidad y el cumplimiento, especialmente durante la transferencia de tecnología entre distintas sedes.
Hoy demostraremos cómo el creador de flujos de trabajo de JMP puede optimizar todo este proceso automatizando tareas como la limpieza de datos, el análisis estadístico y la generación de informes. Podemos obtener resultados robustos y estandarizados en minutos. No se requiere programación y el flujo de trabajo garantiza la integridad de los datos a la vez que mejora la eficiencia del equipo. Más adelante en esta sección, Martin mostrará lo fácil que es crear uno con JMP 19 Pro.
La fabricación de semiconductores implica cientos de pasos y un ciclo de producción prolongado. Dediquemos un momento a comprender la complejidad de la fabricación de obleas. Comenzamos con un lote de obleas, generalmente de 25 obleas de silicio Bayer. Estas obleas se someten a cientos de intrincados procesos, con una duración mínima de 9 a 16 semanas. El proceso comienza con la oxidación, la fotolitografía y el grabado para definir el patrón del circuito. A continuación, se realiza la limpieza y la implantación de hierro, modificando así las propiedades eléctricas. Posteriormente, la deposición de metal y dieléctrico crea las capas necesarias para las interconexiones y el aislamiento. Cada paso debe controlarse con precisión para garantizar el rendimiento y la fiabilidad del dispositivo. Una vez finalizada la fabricación, se realiza una prueba de aceptación de obleas, también llamada prueba de clase, en la que se toman muestras de cada dispositivo, como transistores y condensadores, para verificar su calidad.
Si las obleas superan la prueba, pasan a la sonda unitaria, donde se analiza cada tinte en la etiqueta del circuito. Este riguroso proceso garantiza que solo las obleas de alta calidad pasen al empaquetado y las pruebas finales. Comprender este flujo es fundamental, ya que cualquier cambio de proceso o transferencia de tecnología debe mantener la integridad en todas estas etapas. Por ello, la evaluación rigurosa y la automatización son tan importantes en nuestra industria.
Comparemos la modificación de procesos y la transferencia de tecnología. La modificación de procesos busca mejorar pasos específicos dentro de una planta de fabricación, determinados por problemas internos, e implica métodos de validación y flujos de aprobación específicos. En cambio, la transferencia de tecnología busca expandir la capacidad o trasladarla a producción, impulsada por decisiones estratégicas e implica flujos de procesos más amplios y procesos de aprobación más complejos. A pesar de esta diferencia en alcance e intención, ambas comparten una similitud crucial: se basan en la misma estructura experimental y analítica. El diseño de experimentos, el análisis estadístico y las etapas de calificación son fundamentales en ambos casos. Ya sea que se mejore un proceso localmente o se transfiera globalmente, el rigor de la validación basada en datos permanece invariable. Esta base común es lo que hace que la automatización del flujo de trabajo sea tan poderosa, ya que estandariza y acelera este paso común en ambos escenarios.
La evaluación de la capacidad implica optimizar parámetros clave y asegurar que cumplan con los criterios de calificación. Los formatos y flujos de trabajo estandarizados mejoran la eficiencia. Esta diapositiva describe la estructura del flujo que utilizamos para evaluar el cambio en la fabricación de semiconductores. Comienza con un análisis DOE, donde optimizamos los modelos basándonos en parámetros clave objetivo para mejorar el rendimiento al final de la línea. Cada diseño puede requerir un enfoque único, pero el objetivo es constante: identificar la variable de mayor impacto. A continuación, comparamos la distribución de los parámetros eléctricos para asegurar que todas las métricas clave cumplan con los criterios Cpk y Delta Sigma. Este paso se beneficia enormemente de los formatos estandarizados y los flujos de trabajo automatizados, que mejoran tanto la eficiencia como la repetibilidad. Luego, generamos un informe de Cpk y rendimiento para evaluar la alineación del parámetro optimizado con los criterios de calificación. Aquí validamos si el cambio propuesto es estadísticamente sólido y está listo para la producción.
Finalmente, con base en todos los datos, el equipo formula una recomendación para el siguiente ciclo de aprendizaje. Este flujo no solo garantiza una evaluación sólida, sino que también apoya la mejora continua, lo que lo hace aplicable tanto a cambios de proceso como a transferencias de tecnología. En este caso, el ciclo de mejora continua incluye producción experimental, análisis de datos específico y revisión del desempeño. Si el desempeño mejora, se repite el experimento. De lo contrario, se busca eliminar cualquier valor atípico identificando la causa raíz. Este proceso nos ayuda a gestionar y mejorar nuestra operación de fabricación de manera efectiva. Ahora bien, es importante comprender el contexto operativo. Los cambios de proceso suelen estar regidos por el comité de acción de cambios (CAB, por sus siglas en inglés) y a menudo reciben apoyo del departamento de TI de fabricación para construir una plataforma analítica estandarizada. En cambio, las transferencias de tecnología son más puntuales. Pueden implicar evaluar más que solo el control frente a las ventas propuestas o gestionar múltiples cambios en un solo lote de obleas. Esta complejidad a menudo no justifica que el departamento de TI invierta en una solución universal. Es aquí donde los ingenieros pueden tomar la iniciativa utilizando scripts de JMP, automatización y herramientas de flujo de trabajo para construir sus propias plataformas de análisis eficientes y repetibles. Esto permite a los equipos mantener el rigor y la rapidez incluso en situaciones sin remitente. Como ejemplo, analizaremos la transferencia de tecnología para mostrar cómo el flujo de trabajo puede mejorar la eficiencia de un ingeniero de dispositivos.
En la diapositiva 9, describiremos los hitos y las revisiones de control para un proceso de transferencia de tecnología. Este comienza con la iniciación del proyecto y la planificación, donde definimos el alcance, los objetivos y obtenemos la aprobación del concepto, la definición y la planificación. Una vez que el proyecto está listo, pasamos a la fase de validación. Esta incluye la verificación de preparación, la aprobación de la congelación del proceso y la autorización para la producción de riesgos. Esta revisión garantiza que el proceso sea estable y que los riesgos se comprendan antes de escalarlo.
Finalmente, llegamos a la fase de lanzamiento y cierre, donde el proyecto se lanza formalmente a producción y se finaliza el ciclo de desarrollo. Cada etapa sirve como punto de control para mantener la calidad, la alineación y la responsabilidad entre los equipos. Comprender este marco nos ayuda a definir los pasos detallados de la evaluación del desempeño que se presentan en la siguiente diapositiva.
Aquí se presenta la revisión integral del rendimiento. Comienza con la extracción de datos de PC a nivel de sitio, seguida de la limpieza y el procesamiento de datos. A continuación, se realiza un análisis estadístico descriptivo, la generación, distribución y comparación de informes, y finalmente, el análisis de capacidad y rendimiento. Cada uno de estos pasos es fundamental para garantizar que el proceso de transferencia cumpla con los estándares de calidad y confiabilidad. Si bien cada bloque de este flujo puede beneficiarse de la automatización con JMP debido a limitaciones de tiempo, en esta demostración nos centraremos únicamente en los dos bloques resaltados en azul.
Análisis estadístico descriptivo y comparación de la distribución de parámetros eléctricos. En el primer paso, JMP permite resumir rápidamente las métricas clave (media, desviación estándar y rendimiento) entre lotes y obleas. Esto ayuda a establecer una base de referencia e identificar tendencias tempranas. En el segundo paso, utilizamos JMP para preparar distribuciones de parámetros entre sitios o condiciones. Se aplica una prueba estadística para detectar cambios significativos. Estos pasos son fundamentales para validar la alineación entre la fuente y las fábricas receptoras. Al automatizar esta tarea, los ingenieros pueden generar información precisa y consistente en minutos, lo que libera tiempo para un análisis más profundo y la toma de decisiones.
Analicemos ahora con más detalle cómo funciona esto en la práctica. En esta diapositiva, presentaré el análisis experimental para identificar los factores clave del proceso y las obleas correspondientes que se ajustan a nuestros objetivos. Nos centraremos en el análisis de variabilidad para X_344, destacando el valor objetivo y el punto de inflexión para diferentes componentes con 25 lotes de obleas. En este caso, para mejorar X_344, se requieren 5 meses desde el diseño hasta completar el proceso de obleas y el experimento. Personalmente, me llevó otro mes, después de recopilar todos los datos paramétricos de fin de línea, generar un informe y preparar la siguiente discusión experimental. Este análisis nos ayudó a optimizar nuestros procesos y garantizar que cumplimos con nuestro objetivo de rendimiento. El tiempo de ciclo es ligeramente excesivo para el análisis de datos y la elaboración del informe.
Aquí, simplemente quiero mostrarles que, para todos estos análisis, hemos listado los parámetros eléctricos utilizados en la evaluación. Estos se categorizan en P1 (fiabilidad) y el parámetro opcional P2 (durante la producción y cuantificación). La lista completa de parámetros eléctricos del W80 se divide en las categorías P1 y P2. P1 incluye parámetros críticos de fiabilidad, subdivididos en WAC y lista de monitorización. P2, por su parte, abarca métricas opcionales para un análisis más exhaustivo. Estos se evalúan en un PPA y en un análisis de fiabilidad y eficiencia (R&E). Debajo de la hoja de cálculo, el resumen describe los entregables clave, el resultado (aprobado/suspenso), los informes Ppk, el plan de mejora, el coste de la formación y la trazabilidad del lote. Este marco garantiza una evaluación coherente y respalda la toma de decisiones basada en datos durante todo el proceso de transferencia de tecnología.
Aquí se presenta el informe de Cpk y rendimiento para esta evaluación de parámetros. Proporciona información sobre la capacidad del proceso para todos los demás parámetros. Este no es nuestro parámetro principal. Se destacan los parámetros con bajo rendimiento para su posterior revisión. Esta diapositiva presenta el informe resumido necesario para superar cualquier etapa de transferencia de tecnología según los criterios definidos por la empresa. Este informe es esencial para la revisión de las etapas. Proporciona una base cuantitativa para la toma de decisiones y garantiza que el proceso de transferencia cumpla con los estándares de rendimiento y confiabilidad antes de iniciar la producción.
La siguiente diapositiva presenta un marco basado en riesgos para evaluar la distribución de parámetros eléctricos durante la transferencia de tecnología o el cambio de proceso. Utiliza dos métricas clave: delta sigma, que mide la variabilidad entre las partes, y la capacidad del proceso (Cpk), que refleja la precisión con la que los parámetros se mantienen dentro de las especificaciones. Los parámetros se clasifican en cinco niveles de riesgo. El nivel de riesgo uno significa que no se requiere ninguna acción. El nivel de riesgo dos sugiere una discusión con la línea de negocio. Los niveles de riesgo tres y cuatro indican la necesidad de tomar medidas o realizar una revisión más exhaustiva. Y el nivel de riesgo cinco señala un problema crítico que requiere una acción obligatoria.
En este ejemplo, estamos trabajando en la evaluación de la ganancia del APF. Durante esta evaluación, los niveles de riesgo uno y tres se consideran aprobados, mientras que los demás se consideran reprobados. Esta métrica ayuda al equipo a priorizar recursos, alinear decisiones y mantener los estándares de calidad durante la evaluación. La comparación de la distribución de parámetros eléctricos entre las fábricas ayuda a identificar variabilidad y problemas de alineación. Este es el informe que presentaremos hoy en vivo. Se trata de una herramienta fundamental que utiliza el equipo de transferencia para evaluar y mejorar la correspondencia del rendimiento paramétrico al final de la línea entre la fábrica principal y la secundaria. La tabla compara los parámetros eléctricos de varios lotes, mostrando métricas clave como el límite inferior de especificación, el límite superior de especificación, la media, la desviación estándar y el Cpk, tanto para la fábrica de referencia como para la transferida. También incluimos la significancia del delta y el nivel de riesgo asignado, del nivel uno al cinco, lo que nos permite identificar rápidamente qué parámetros están bien alineados y cuáles requieren acciones correctivas.
Este informe es especialmente valioso porque proporciona una base cuantitativa para la toma de decisiones. Ayudó a los ingenieros a identificar discrepancias, comprender la variabilidad y priorizar las acciones correctivas. Al automatizar este análisis en JMP, podemos generar esta información de forma rápida y consistente, lo que permite un ciclo de aprendizaje más ágil y una transferencia de tecnología más fiable.
Esta diapositiva presenta los resultados de la comparación de distribuciones anterior. Otra vista de la comparación de distribuciones de parámetros. Úsela para priorizar los recursos de ingeniería. Aquí se muestran los parámetros con peor desempeño, clasificados como de nivel de riesgo cinco. Estos parámetros presentan una alineación deficiente y afectan la capacidad general del proceso, lo que los hace críticos para su revisión. El gráfico visualiza la posición de la solución en la zona de alto riesgo, y la tabla destaca métricas específicas como Cpk y delta sigma. En la siguiente diapositiva, analizaremos con mayor detalle estos parámetros de nivel de riesgo cinco examinando su gráfico de tendencias. Esto ayudará al equipo a evaluar la estabilidad a lo largo del tiempo y a guiar los siguientes pasos para la mejora.
Esta diapositiva presenta un gráfico de tendencias para dos de los parámetros de nivel de riesgo cinco. Usamos X_30 y X_349 como ejemplo, los cuales se destacaron en la comparación de distribución anterior. Esto ayuda a visualizar el cambio en el rendimiento e identificar problemas críticos. Puede tratarse de una distribución más amplia junto con un cambio en la media, o simplemente un cambio en la media. Hemos añadido los datos de referencia de la planta madre para permitir la comparación de vídeo con la planta receptora. Este gráfico nos ayuda a evaluar la alineación del proceso de transferencia a lo largo del tiempo mediante el seguimiento de la variabilidad y las medias del grupo, lo que nos permite identificar errores persistentes o mejoras. Esta visualización es esencial para guiar las acciones correctivas y validar en qué medida los ajustes climáticos nos acercan al objetivo.
Este es el último gráfico que compartimos con ustedes. El gráfico de cambio delta muestra las variaciones entre el flujo de integración actual (WD) y el anterior (WC). Nos centramos en los parámetros que pasan de la zona óptima a la zona desfavorable. Si bien antes nos enfocábamos en los parámetros de alto riesgo de nivel cinco y su alineación con la línea base de la planta madre, aquí adoptamos una perspectiva más amplia. La gerencia y el equipo de transferencia también desean comprender el desempeño del nuevo factor de proceso identificado en WD en comparación con WC. Esto ayuda a evaluar si la integración realmente mejora el comportamiento paramétrico. Analizamos el cambio en Cpk y el delta sigma en las obleas, identificando qué parámetros pasan de la zona desfavorable a la óptima o viceversa. Este análisis comparativo es esencial para guiar las estrategias de integración futuras y validar la efectividad de los cambios en el proceso.
Ahora pasaremos a la demostración en vivo. Martin, mostrarás cómo crear un flujo de trabajo con JMP19 Pro. Esta demostración durará unos 10 minutos.
Gracias, Su-Heng.
Ningún problema.
Analicemos esto. Como vieron en la presentación de Su-Heng, había varios pasos a seguir, y ya se había hecho antes con hojas de cálculo de Excel. Para los informes de nivel de riesgo, se obtuvieron dos gráficos uno al lado del otro, y era necesario comprender esas variaciones. Todo el proceso implicaba varios pasos que debían repetirse constantemente. Como mencionó Su-Heng, un mes de análisis es bastante tiempo. Intentamos reducirlo a un plazo razonable para hacerlo más eficiente. Básicamente, al crear la tabla de resumen de datos de la planta madre, necesitábamos obtener la media y la desviación estándar. También necesitábamos obtener los datos de Cpk, que obteníamos de los informes. Teníamos que hacer lo mismo para el diseño actual y el anterior. Luego, necesitamos combinar todos esos datos en una tabla de datos grande para poder crear los informes de nivel de riesgo para el diseño actual, el diseño anterior y el informe de cambios. Con la ayuda de JMP19, el Generador de Gráficos nos permite visualizar el cambio directamente en el Generador de Gráficos, en lugar de tener los dos gráficos uno al lado del otro y tratar de entender dónde se encuentra cada punto. Finalmente, para los parámetros de interés, también creamos el gráfico de tendencias.
Ejecutemos todo esto para que se hagan una idea de su funcionamiento y vean cómo reduce los pasos que antes requerían varias horas a tan solo unos clics. Primero, seleccionamos los datos de la fábrica principal, que luego realiza un análisis resumido y crea una tabla de datos. A continuación, recopilamos los datos del diseño actual. Esto, de nuevo, hace lo mismo: crea todo el conjunto. Finalmente, obtenemos los datos del diseño anterior. Después de que la prueba recopila esta información, la tabla de datos se combina nuevamente, creando este panel de control del nivel de riesgo y los gráficos de tendencias adicionales para los parámetros. No entraré en los gráficos de tendencias ahora. Solo quiero destacar el panel de control, ya que a la derecha se muestra el diseño actual, el informe del nivel de riesgo con sus niveles de riesgo y los resultados de las pruebas uno y tres, es decir, todo lo que se encuentra en esta zona. Tenemos lo mismo en el campo superior para el diseño anterior, y también podemos ver los cambios en todos estos rangos.
Tenemos varias maneras de filtrar los resultados. Podemos partir de la situación en la que no hay cambios, es decir, donde decimos que estamos en el mismo nivel de riesgo, pero queremos ver si algo ha evolucionado, al menos hacia un enfoque más preciso. Podemos analizar esos casos. Pero lo más interesante son, por supuesto, los cambios. Si consideramos el diseño anterior de nivel de riesgo uno, que era un buen camino, ¿vemos algún diseño actual que se dirigiera al peor escenario? Vemos algunos. Este es el más crítico, probablemente porque está en rojo, lo que indica un nivel de riesgo cinco. Pasó del nivel de riesgo uno al nivel de riesgo cinco. Definitivamente es algo que debemos analizar, comparando el diseño anterior con el actual, y también con otros. Quizás quieras revisarlos. Pero también podemos filtrar por un valor de parámetro específico.
Otra forma sería, si lo mostramos brevemente, revisar los elementos más críticos del diseño actual y observar su comportamiento, su evolución, su recorrido y la conexión entre ellos. Según la perspectiva desde la que se quiera analizar el cambio en el nivel de riesgo, esto permite centrarse en lo que se desea visualizar, en lugar de observar todos los datos y compararlos. Por ejemplo: "Este tiene un cambio en el nivel de riesgo. No lo tiene", y esas son las variables. Se busca identificar el dato correspondiente en el otro extremo. Podemos ver que sigue presente. Se puede analizar cada elemento individualmente o visualizarlos todos juntos y filtrarlos. Este fue uno de los cambios más importantes.
Finalmente, obtienes tu tabla de datos final con todos esos colores que representan el nivel de riesgo, con información adicional sobre lo que ha ocurrido y otros detalles. ¿Cómo llegamos a eso? Simplemente abramos un nuevo flujo de trabajo. Abro un nuevo flujo de trabajo. Lo encuentras en Archivo, Nuevo flujo de trabajo. Ahora, comencemos. Antes de hacer algo, siempre borro el historial para que no quede nada en mi registro. Primero, abro los datos principales, ya que quiero trabajar con ellos. Hago clic en Aceptar. Me pregunta si debo registrar estos pasos. Puedo responder que sí. Hablaré un poco sobre consejos y trucos, qué es útil y qué no.
El siguiente paso sería, en este caso, crear el informe. Para ahorrar tiempo, aquí solo tengo los informes finales. Este es el informe Cpk. Puedo cerrarlo y, como pueden ver, toma la instantánea del informe, realiza los cálculos y los tabula. Por eso, ya podemos ver qué ha ocurrido en segundo plano. Aquí está la tabla abierta. Pueden manipularla y cambiar la descripción y las notas. Este es el script, si lo desean. Como ven, es un archivo con código fijo. Quiero seguir el primer consejo. Lo primero es que, si quiero abrir una tabla de datos (y no siempre es la misma), pueden omitir este paso porque en el siguiente se les pedirá la tabla de datos "Austin mother fab data". Si no está disponible, les preguntará qué hacer.
Ejecutemos esta parte del script. Lo abro. Me pregunta qué tabla de datos quiero usar. Esta es una tabla que aún no tengo abierta, así que la selecciono. Esto ya crea mis dos pasos. Veo que todo ha funcionado correctamente. Ahora tengo que combinar las tablas. Puedo ir a Tabulate y seleccionar "Convertir en tabla de datos". Hago lo mismo aquí: convierto esto en una tabla de datos haciendo clic derecho y seleccionando "Convertir en tabla de datos". Como pueden ver, ambas se han añadido.
Ahora, veamos algunos detalles adicionales. Como pueden ver, aquí se utiliza el grupo de columnas PC. ¿De dónde proviene? Básicamente, se obtiene de la tabla de datos, y esta es una buena forma de estructurar la tabla. Agrupa todas las columnas de análisis en un grupo llamado PC. Esto facilita el proceso, ya que si no se hace (y algunas plataformas no lo gestionan porque la función `tabulate` toma todas las variables como una categoría), se generan problemas. Lo que se puede hacer es seleccionar esta opción de grupo de columnas, colocarla aquí y, en lugar de todos esos parámetros, simplemente indicar que se utilice el grupo de columnas. ¿Por qué es útil? Porque es independiente del nombre de las columnas, lo cual resulta muy práctico. Agrupar las columnas en la tabla marca una gran diferencia al trabajar con cualquier automatización. Esto es algo que se puede hacer aquí.
Ahora, comparemos esto con el flujo de trabajo de datos original que he creado. Veamos que tenemos que crear el resumen de datos principal. Permítanme cambiarlo al modo de presentación para poder verlos uno al lado del otro. Aquí veo que también utilicé el componente Column Group PC. Creé el otro elemento con Column Group PC. Hice algo adicional aquí. Creé un objeto. Permítanme incluirlo también. Es la función Tabulate, perdón. Era correcto. Añadí este objeto de referencia, que ahora mismo no está presente. Esto se debe a que quiero usarlo como archivo o tabla de datos auxiliar, al que le asigno un nombre específico. Podré usar ese nombre como referencia más adelante cuando quiera combinar tablas de datos con un identificador o una nomenclatura única. Por eso lo hice, y luego cerré el informe. Quizás quieran combinarlo con algún script. Puede que lo necesiten si quieren crear elementos muy complejos. Pero para la mayoría de las cosas, pude trabajar con el flujo de trabajo que acabo de crear aquí.
Un último comentario antes de cederle la palabra a Su-Heng: personalmente, no uso la grabación. Si tengo un flujo de trabajo complejo, como el que se ve a la izquierda, con varios pasos, guardo las tareas completadas y las añado al historial del bloque. Solo tomo lo que me interesa y lo incorporo al flujo de trabajo. Luego, puedo añadir notas y, cuando todo esté correcto, agrupar lo seleccionado en lo que sea mi primer paso, por ejemplo. Cambié el nombre del grupo a "primer paso" y añadí una breve descripción para que quede claro lo que sucede en este caso. Eso es lo que hice a la izquierda. Estos son solo algunos consejos. Dicho esto, le cedí la palabra a Su-Heng para el resumen. Esta es la última diapositiva.
Muchas gracias, Martin. Solo te llevó unos minutos terminar el trabajo de un mes. ¡Maravilloso! Para concluir la presentación de hoy, quiero destacar cómo la creación de scripts y flujos de trabajo de JMP permite a los ingenieros realizar análisis repetibles y escalables en diferentes sitios y proyectos. Al automatizar los flujos de trabajo, reducimos significativamente el esfuerzo manual. Lo que antes tomaba días ahora se puede hacer en minutos. El formato estandarizado y los criterios de evaluación no solo mejoran la eficiencia, sino que también garantizan la coherencia y el cumplimiento, especialmente durante la transferencia de tecnología. Esto permitió a los ingenieros centrarse en diseñar mejores experimentos y acelerar los ciclos de aprendizaje, en lugar de procesar datos desde el principio. Es importante destacar que la automatización admite tanto cambios de procesos estructurados como escenarios de transferencia de tecnología más ad hoc. Con una mayor integridad y trazabilidad de los datos, el equipo puede tomar decisiones más rápidas y seguras. Gracias por su atención. Abrimos el turno de preguntas y comentarios.
