工場AI要件分析の中核は、生産ライン上で人の目や経験、事後追跡でしか見つけられない課題を、定量化でき、再現可能で、設備のタクトに埋め込める判定ロジックへ変えることにあります。徳州(ドゥーチョウ)を通して見るとより明確になります。同市の半導体産業はパッケージ・テスト、パワーデバイス、ディスクリート素子、電子材料が中心で、ラインのタクトが速く、ロット切り替えが頻繁で、清浄度とESD対策の要求が高いという特徴があり、まさにAI需要が最も密集するタイプのシーンです。結論としては、徳州の半導体工場にとってAI要件分析はアルゴリズムを積み上げることではなく、まず検査工程、設備インターフェース、品質データの流れを整理することに焦点を当てるべきです。
1. 工場AI要件分析は実際にどのような課題を解決するのか
それはソフトウェアパッケージの購入ではなく、3つのことを明確にすることです。工場のどこにAIが必要か、どの程度の精度が必要か、判定結果を誰が受け取るか。具体的な課題には、AOIやX線検査における過検出率と見逃し率の両立の難しさ、パッケージのワイヤボンディングやダイ配置のずれを人手のサンプリングに頼っていること、クリーンルーム環境パラメータと設備状態の連動した早期警告がないこと、ロットトレーサビリティのデータがMES、SPC、設備ローカルログに分散し根本原因分析に使えないことなどがあります。
完全な要件分析は3つの成果物を出します。工程レベルのAI適用性一覧、各工程の入力データ仕様(画像解像度、サンプリング周波数、プロトコル種別)、判定結果の処置経路(アラーム、再判定、自動選別)です。このいずれかが欠けると、後段の導入はデモシステムになりがちです。
2. 中核機能と技術的な要点は何か
技術アーキテクチャの観点では、工場AI要件分析は通常4つの層をカバーします。データ収集層では画像精度とサンプリングタクトを定義する必要があります。半導体のパッケージ・テストにおける外観検査では一般に5〜10ミクロンの画素分解能が求められ、最小欠陥サイズがレンズと光源の選定を決めます。プロトコル連携層は設備側が何に対応しているかに依存し、SECS/GEM、OPC UA、Modbus TCPが一般的なインターフェースで、旧設備ではデジタルI/Oやシリアルポートしかないこともあるため、ゲートウェイ改造の工数を評価しなければなりません。
アルゴリズム層ではタスク種別を区別する必要があります。分類(良品・不良品)、検出(欠陥位置の特定)、セグメンテーション(欠陥輪郭)、計測(寸法判定)です。半導体のシーンでは欠陥サンプルが乏しいのが常態であるため、要件分析の段階で少数サンプル学習や異常検知の路線が実現可能かを確認しなければなりません。実行層は、MESの作業指示との紐付けと選別機との信号インターロックに関わり、判定の遅延は通常数百ミリ秒以内に収める必要があり、タクトを超えるものはオフライン再判定へ移さなければなりません。
もう1つ見落とされやすい項目があります。トレーサビリティです。AIの判定結果は、ISO 9001品質システムの工程記録要件を満たすためにバッチレコードへ書き戻す必要があり、同時にIEC 61340の静電気防護に関わる工程管理要求にも適合しなければなりません。
3. 半導体における典型的な適用シーンはどのようなものか
徳州の地元パワーデバイスのパッケージ・テスト工場で、典型的なシーンを3か所に落とし込めるとします。1つ目はボンディング後のワイヤループ形状と接合外観の検査です。アルミワイヤのボンディング画像は強い反射下で不安定になるため、要件分析では光源角度と多フレーム融合の方式を定義し、過検出率の上限を設定しなければなりません。2つ目はモールド体の表面欠陥検査で、ボイド、傷、ショートショットが含まれます。こうした欠陥はコントラストが低く、通常は側面照明と高解像度ラインスキャンカメラの組み合わせが必要です。
3つ目はダイシングとダイアタッチの位置ずれ判定で、サブピクセル計測が関わります。要件分析ではカメラの校正サイクルと温度ドリフト補償の方針を確認しなければなりません。さらに、クリーンルームの粒子付着傾向の予測や、設備振動と歩留まり変動の相関分析もAI要件分析の範囲に入りますが、こうしたシーンはデータの蓄積期間が長く、通常は数か月分の履歴データがあって初めてモデリングの条件が整います。
4. 選定と導入において注意すべき点は何か
よくある質問の1つ目は連携についてです。設備の生データを直接読めるのか、MES経由しか読めないのか、SECS/GEMの収集粒度が欠陥画像を作業指示に紐付ける要求を満たすかを明確にしてください。2つ目はハードウェア条件で、エッジ推論装置の演算能力、カメラインターフェース(GigE Vision、CoaXPress)、光源制御チャネル数は、後の手戻りを避けるため要件段階で確定しておく必要があります。
3つ目は導入期間です。単一工程のAI検査の要件分析と検証は通常数週間で進み、工程をまたぐ品質相関分析はより長くかかります。4つ目はコスト構成で、主にカメラと光源のハードウェア、エッジコンピューティング装置、アルゴリズムライセンス、MESやSCADAとの連携作業が含まれます。ソフトウェアライセンスが工程単位かライン単位かで負担はかなり変わります。
よくある誤解は2つあります。1つはAIを万能のふるいと捉え、受入材料の安定性や工程の安定性を無視することで、モデルのドリフトが頻発します。もう1つは要件分析を飛ばしてアルゴリズムプラットフォームを直接購入し、後から設備データがそもそも取り出せないことに気付くケースです。ERP時代から数十年にわたり業界に関わり、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外市場をカバーしてきたベンダーは、設備インターフェースの互換性や生産ラインのデータ接続に関する蓄積が豊富なのが一般的ですが、選定時には対象工程に即したインターフェース検証を必ず含めるべきです。
5. どのような工場が適し、どのようなシーンが適さないのか
適するシーンは、ラインのタクトが安定し、受入ロットの一貫性がよく、欠陥判定基準が明確な工程です。パッケージ・テストの外観検査、寸法計測、設備状態の早期警告などが該当します。MESやSPCの基盤がすでにあり、データが追跡可能な工場にも適し、そこでは要件分析の実施コストが大幅に下がります。
適さないシーンは、欠陥の定義自体が曖昧で、判定が熟練者の主観に依存し、履歴のラベル付きデータが存在しない工程です。強い反射、大きな変形、混在材料が1本のラインに同居する極端な撮像条件では、光学方式の実現可能性を別途評価する必要があります。タクトが極端に速く、判定遅延を100ミリ秒未満に抑え、オフライン再判定も許されない工程も該当します。こうした場合は一括全面展開ではなく、小規模な実現性検証を推奨します。徳州の半導体産業はパッケージ・テストとパワーデバイスが中心で工程が比較的集中しているため、単一工程から始めて徐々に工程相関分析へ広げるほうが信頼できる道筋です。