Resolución de problemas industriales mediante modelos específicos del dominio e IA agéntica: un estudio de caso de fabricación de semiconductores
La industria de los semiconductores se encuentra en una encrucijada, enfrentando una escasez crítica de experiencia especializada para establecer y operar instalaciones de fabricación de vanguardia. Esta brecha afecta los plazos de los proyectos, aumenta los costos y limita la innovación en un campo en crecimiento cada vez más complejo.
Durante el reciente SF Unstructured Data Meetup, los expertos de la industria Christopher Nguyen y Shruti Raghavan de Aitomatic exploraron cómo la IA puede cerrar esta brecha de experiencia. Sus perspectivas revelaron cómo los modelos específicos de dominio y los sistemas de IA agéntica pueden capturar, compartir y aplicar conocimiento especializado, ofreciendo un camino a seguir para la industria. Este artículo resumirá sus puntos clave y analizará cómo Milvus, la base de datos vectorial más popular, puede utilizarse en el dominio de la IA industrial. Comencemos examinando un ejemplo del mundo real de una empresa que experimenta un desafío de experiencia. Mira el resumen de la charla en YouTube.
Christopher Nguyen y Shruti Raghavan de Aitomatic hablando en el SF Unstructured Data Meetup de septiembre con la AI Alliance
El desafío de la experiencia: una historia de dos proyectos
Christopher ilustró la escasez de experiencia contrastando los resultados de dos proyectos similares de Taiwan Semiconductor Manufacturing Company (TSMC). Ambos proyectos utilizan tecnología idéntica y cuentan con respaldo financiero comparable, pero su progreso difiere significativamente. En Kyushu, Japón, la instalación en construcción avanza bien. Por otro lado, la de Phoenix, Arizona, está encontrando dificultades debido a una escasez de experiencia local.
Esta disparidad destaca cómo la disponibilidad de conocimiento y experiencia especializados puede influir significativamente en los resultados de los proyectos, incluso cuando los recursos tecnológicos y financieros son similares. Este contraste pone de relieve una pregunta clave: ¿cómo puede la industria de los semiconductores mitigar tales disparidades de experiencia, y podría alguna solución impulsada por IA proporcionar una respuesta escalable?
Limitaciones de la IA de propósito general en industrias especializadas
Los modelos de lenguaje grandes (LLM) de propósito general han demostrado capacidades en diversos dominios, pero a menudo se quedan cortos en aplicaciones industriales especializadas. En la fabricación de semiconductores, el conocimiento requerido va más allá del alcance de estos modelos generales.
El resultado de los LLM generales en contextos especializados es comparable al de un recién graduado: posee conocimientos amplios, pero carece de la experiencia profunda y vivencial de un profesional experimentado. Esta limitación se vuelve evidente al tratar con procesos de fabricación complejos que requieren una comprensión matizada y una toma de decisiones basada en años de experiencia práctica.
Por ejemplo, los procesos de fabricación de semiconductores como la fotolitografía (crear patrones de circuitos en obleas de silicio), el grabado (eliminar selectivamente materiales de la superficie de una oblea) y la planarización mecanoquímica (CMP, aplanar y pulir la superficie de la oblea) requieren no solo conocimiento teórico, sino una comprensión de cómo interactúan diversos parámetros en escenarios del mundo real.
Aquí es donde los modelos específicos de dominio se vuelven críticos para cerrar la brecha entre las capacidades generales de la IA y las necesidades matizadas de la fabricación de semiconductores.
Modelos de lenguaje específicos de dominio para la fabricación de semiconductores
Para abordar las limitaciones de los LLM de propósito general, se están desarrollando modelos específicos de la industria para el dominio de los semiconductores. SemiKong, un proyecto de código abierto de AI Alliance específico para el dominio de los semiconductores, es un ejemplo de dicho modelo. Estos modelos especializados tienen como objetivo incorporar conocimiento específico del dominio para abordar los desafíos únicos que enfrenta la industria de los semiconductores.
Las características de SemiKong incluyen:
Datos de entrenamiento específicos de la industria: El modelo se entrena con textos relacionados con semiconductores, incluidos artículos de investigación, documentos técnicos e informes de la industria.
Preentrenamiento específico de dominio: El modelo utiliza enfoques de preentrenamiento que aprovechan el conocimiento de la industria de los semiconductores.
Rendimiento en tareas relevantes para la industria: SemiKong se compara con LLM de propósito general en tareas específicas de semiconductores.
Base para modelos propietarios: Las organizaciones pueden usar SemiKong como punto de partida para construir modelos adaptados a sus procesos y desafíos de fabricación específicos.
SemiKong se basa en fundamentos de código abierto, lo que permite la integración con flujos de trabajo y herramientas de IA existentes utilizados en la industria.
Arquitecturas avanzadas de IA para aplicaciones industriales
A partir de las capacidades especializadas de modelos como SemiKong, Aitomatic ha desarrollado una arquitectura Open Small Specialist Agents (OpenSSA). Este enfoque aprovecha el profundo conocimiento de la industria integrado en SemiKong para crear sistemas de IA agéntica capaces de tomar decisiones complejas en la fabricación de semiconductores, yendo más allá de la simple recuperación de información hacia la resolución activa de problemas.
OpenSSA opera a través de varios componentes interconectados, que permiten una gestión eficiente del conocimiento, la resolución de problemas y la integración de retroalimentación de expertos:
Captura de conocimientoLa base del sistema comienza con la captura del conocimiento experto de especialistas del dominio, como ingenieros de procesos y expertos en equipos. Esta aportación experta se almacena en dos repositorios esenciales:
Almacén de conocimiento: Contiene información detallada proporcionada por estos especialistas, de la que el sistema puede valerse al abordar problemas.
Almacén de programas: Junto con el almacén de conocimiento, este repositorio contiene programas reutilizables o plantillas de solución diseñadas para resolver desafíos de fabricación recurrentes.
Juntos, estos repositorios forman la columna vertebral de las capacidades de resolución de problemas del sistema, proporcionando una fuente rica de información específica de la industria y soluciones probadas.
Resolución de problemas por agentesA partir del conocimiento capturado, los agentes de IA del sistema pueden abordar tanto problemas nuevos como conocidos. Cuando se enfrenta a un desafío, puede crear una nueva formulación del problema haciendo referencia a información del almacén de conocimiento o buscar soluciones conocidas en el almacén de programas cuando ya se ha encontrado antes un problema similar.
Al integrar de manera fluida el conocimiento con el reconocimiento de problemas, el sistema desarrolla estrategias adaptadas a cada situación, asegurando que las soluciones efectivas estén siempre al alcance.
Ejecución de programasUna vez que se formula una estrategia de solución, ya sea un enfoque nuevo o uno conocido, el sistema pasa a la ejecución. Aquí es donde interactúa con entornos de fabricación del mundo real, como Manufacturing Execution Systems (MES), para implementar estas soluciones directamente. La fase de ejecución marca la culminación del proceso de resolución de problemas del sistema.
Retroalimentación de expertosDespués de que la IA ejecuta la solución, los expertos humanos revisan los resultados y proporcionan retroalimentación crítica. Este ciclo de retroalimentación garantiza que el sistema permanezca fundamentado en la experiencia del mundo real, permitiéndole aprender de cada ejecución y refinar sus estrategias futuras. La aportación de expertos mejora la comprensión de la IA sobre los desafíos de fabricación en evolución.
Actualizaciones de conocimientoLuego, la retroalimentación de expertos se utiliza para actualizar tanto los almacenes de conocimiento como los de programas, garantizando que el sistema de IA mejore continuamente.
La arquitectura OpenSSA tiene como objetivo crear agentes de IA que puedan aprovechar tanto las amplias capacidades de los modelos de lenguaje como la experiencia específica del dominio para resolver problemas complejos en la fabricación de semiconductores. Por ejemplo, un agente de IA podría ayudar a optimizar un proceso de grabado por plasma considerando múltiples factores, como los caudales de gas, la presión de la cámara y los ajustes de potencia de RF, recurriendo a su base de conocimientos y a sus capacidades de resolución de problemas para sugerir parámetros óptimos.
Para ver al agente de IA en acción, mira este video.
Planificación jerárquica de tareas y toma de decisiones iterativa
Los agentes de IA desarrollados utilizando arquitecturas como OpenSSA emplean estrategias sofisticadas de resolución de problemas. Robert y Shruti mostraron cómo la IA puede abordar la resolución de problemas mediante la planificación jerárquica de tareas y la toma de decisiones iterativa, aspectos críticos para adaptarse a las condiciones variables de la fabricación de semiconductores.
El enfoque de resolución de problemas del agente de IA consta de dos aspectos clave:
Planificación jerárquica de tareas
La planificación jerárquica de tareas implica descomponer tareas complejas en subtareas más pequeñas y manejables. Este enfoque crea una estructura en forma de árbol de tareas y subtareas, lo que permite a la IA gestionar procesos de fabricación intrincados de manera eficiente.
Por ejemplo, al optimizar un proceso de deposición química de vapor (CVD), la IA lo descompone en las siguientes subtareas:
Ajustar los caudales de gas
Controlar la temperatura de la cámara
Optimizar el tiempo de deposición
Monitorear el espesor de la película
Cada una de estas subtareas puede dividirse aún más si es necesario, creando una jerarquía de tareas de varios niveles. Esta estructura permite a la IA abordar problemas complejos de manera sistemática, garantizando que se traten todos los aspectos de un proceso.
Toma de decisiones iterativa (bucle OODA)
La IA emplea un proceso de toma de decisiones iterativo conocido como bucle OODA (Observar, Orientarse, Decidir, Actuar) para guiar sus acciones en cada nivel de la jerarquía de tareas. Este ciclo continuo permite a la IA adaptarse a condiciones cambiantes en tiempo real:
Observar: La IA recopila datos de sensores y sistemas de fabricación, reuniendo información relevante sobre el estado actual del proceso.
Orientarse: Analiza los datos recopilados en el contexto del proceso de fabricación actual, considerando datos históricos y parámetros conocidos.
Decidir: Con base en el análisis, la IA elige la mejor acción a tomar, sopesando diversas opciones y sus posibles resultados.
Actuar: Se implementa la acción elegida, lo que afecta al proceso de fabricación.
Este ciclo se repite continuamente, permitiendo que la IA responda dinámicamente a los cambios en el entorno de fabricación. Por ejemplo, si la IA detecta un cambio inesperado en los caudales de gas durante el proceso CVD, puede ajustar rápidamente otros parámetros para mantener condiciones óptimas de deposición.
Esta combinación de planificación jerárquica y razonamiento iterativo permite a la IA manejar de manera eficaz problemas complejos y multifacéticos en entornos industriales. Permite tanto la planificación estratégica de alto nivel como la toma de decisiones táctica y rápida a nivel operativo. Esto constituye la columna vertebral de aplicaciones prácticas, como la optimización de procesos de fabricación de semiconductores, como el grabado por plasma.
Aplicación práctica: optimización del proceso de grabado asistida por IA
Una aplicación práctica de estos enfoques de IA se encuentra en la optimización del proceso de grabado. El grabado es un paso crítico en la fabricación de semiconductores en el que se eliminan áreas específicas de una oblea de silicio para crear los patrones intrincados necesarios para la funcionalidad del chip. Aitomatic ha desarrollado sistemas que combinan modelos de lenguaje específicos del dominio con la arquitectura OpenSSA para mejorar las capacidades de fabricación de semiconductores.
Figura 1- Arquitectura del asesor de grabado.png
Figura 1: Arquitectura de Etching Advisor
Veamos qué está ocurriendo en la arquitectura por capas de un sistema de optimización de grabado asistido por IA:
Capa base: Esta capa fundamental proporciona capacidades básicas de inferencia y comprensión general del lenguaje. Puede procesar consultas en lenguaje natural de ingenieros e interpretar datos básicos de fabricación.
Capa intermedia: Esta capa ofrece comprensión de conceptos específicos del dominio e integra conocimiento específico de la empresa. Comprende términos especializados como relación de aspecto (la relación entre la profundidad y el ancho en una característica grabada) o selectividad (la capacidad de grabar un material más rápido que otro) y puede incorporar recetas de proceso propietarias de una empresa.
Capa superior: Esta capa ofrece capacidades avanzadas de resolución de problemas y encapsula conocimiento de nivel experto en grabado de semiconductores. Puede sugerir estrategias complejas de grabado de múltiples pasos, predecir posibles problemas como erosión de la máscara o detención del grabado, y recomendar medidas preventivas.
Cada capa se basa en las capacidades de las que están debajo, lo que permite que el sistema proporcione recomendaciones detalladas para procesos de grabado complejos al combinar conocimiento general con experiencia especializada. Por ejemplo, al optimizar un grabado de zanja profunda para un chip de memoria, el sistema podría sugerir ajustar la mezcla de gases para mejorar la pasivación de las paredes laterales, recomendar una estrategia específica de ciclos de potencia para prevenir muescas y proponer un tratamiento posterior al grabado para eliminar residuos.
Para que estos sistemas de IA funcionen eficientemente, requieren soluciones sólidas de gestión de datos. Aquí es donde Milvus, una base de datos vectorial de alto rendimiento, desempeña un papel crucial al permitir la recuperación y el almacenamiento efectivos de datos de fabricación complejos para diversos propósitos.
El papel de Milvus en la IA industrial
Milvus desempeña un papel crucial al habilitar aplicaciones avanzadas de IA en entornos industriales, particularmente en la fabricación de semiconductores. Sus características y capacidades lo hacen muy adecuado para manejar los datos complejos y las necesidades de recuperación de los sistemas modernos de IA, especialmente al implementar Retrieval-Augmented Generation (RAG) con modelos de lenguaje específicos del dominio como SemiKong.
Características clave de Milvus para aplicaciones industriales
Multi-tenancy: Milvus permite que múltiples usuarios o aplicaciones trabajen en el mismo sistema sin interferir entre sí. En la fabricación de semiconductores, esto permite que diferentes equipos o líneas de producción tengan acceso seguro y aislado a sus datos específicos mientras comparten la misma infraestructura.
Cómputo acelerado por hardware: Optimizado para diversos entornos de hardware (incluidos AVX512, Neon para SIMD y aceleración por GPU), Milvus ofrece procesamiento rápido para tareas intensivas en recursos. Esto es particularmente valioso para el análisis en tiempo real de datos de fabricación complejos o la inferencia de modelos de IA para la optimización de procesos.
Compatibilidad con lenguajes y API: Con compatibilidad con Python, Java, Golang, NodeJS y más, Milvus se integra sin problemas con diversos entornos de desarrollo y ecosistemas de software industrial existentes.
Arquitectura escalable y elástica: A medida que los datos de fabricación de semiconductores crecen con el tiempo, Milvus escala automáticamente para satisfacer la demanda, garantizando un rendimiento constante incluso a medida que se acumulan datos históricos de procesos.
Soporte de índices diversos: Milvus admite múltiples tipos de índices (p. ej., HNSW, PQ, Binary, DiskANN), lo que permite flexibilidad en la forma en que se almacenan y buscan los datos de fabricación. Esto permite la recuperación eficiente de información relevante para escenarios de fabricación específicos.
Consistencia ajustable: La capacidad de ajustar los niveles de consistencia permite a los fabricantes de semiconductores equilibrar el rendimiento de las consultas y la precisión de los datos en función de las necesidades específicas de diferentes procesos de fabricación o requisitos de control de calidad.
Milvus en sistemas RAG para la fabricación de semiconductores
Al implementar un sistema RAG usando Milvus y un LLM específico del dominio como SemiKong para la fabricación de semiconductores, el proceso se ve así:
Creación de la base de conocimiento:
Se crean embeddings vectoriales a partir de documentos técnicos, artículos de investigación y registros de fabricación.
Estos se almacenan en Milvus, aprovechando su soporte de índices diversos para un almacenamiento y recuperación óptimos.
Procesamiento de consultas:
Un ingeniero introduce una descripción del problema (p. ej., variaciones inesperadas en la tasa de grabado).
La consulta se convierte en una representación vectorial.
Recuperación:
Milvus realiza una búsqueda de similitud utilizando sus capacidades de computación acelerada por hardware.
Emplea métodos de búsqueda avanzados (p. ej., ANN top-K, ANN de rango, búsquedas filtradas) para encontrar los casos o documentos anteriores más relevantes.
La multi-tenencia garantiza que solo se acceda a datos autorizados.
Aumento y generación:
La información recuperada se combina con la consulta original y se introduce en el LLM SemiKong.
SemiKong genera una respuesta, combinando su conocimiento sobre semiconductores con la información específica recuperada.
Aprendizaje continuo:
- Se añaden nuevos casos y soluciones a la base de datos de Milvus, aprovechando su arquitectura escalable para mantener el rendimiento a medida que crece la base de conocimiento.
Tecnologías de Milvus para diversos casos de uso industriales
Tipos de cómputo: La optimización de Milvus para diferentes entornos de hardware garantiza un procesamiento rápido y una escalabilidad rentable en diversas aplicaciones industriales.
Tipos de búsqueda: La amplia variedad de métodos de búsqueda permite adaptar la funcionalidad de búsqueda a necesidades industriales específicas, ya sea identificar defectos de fabricación similares, emparejar parámetros de proceso o encontrar documentación relevante.
Tipos de índices: Con 15 tipos de indexación disponibles, Milvus ofrece opciones para equilibrar rendimiento, precisión y coste para diferentes conjuntos de datos industriales y patrones de consulta.
Beneficios de Milvus en la IA industrial
Mejora de la toma de decisiones: Al permitir una recuperación rápida y precisa de información relevante, Milvus respalda la toma de decisiones basada en datos en entornos de fabricación complejos.
Mayor eficiencia: La aceleración por hardware y la indexación optimizada conducen a un procesamiento de consultas más rápido, crucial para aplicaciones industriales en tiempo real.
Escalabilidad: A medida que crecen los volúmenes de datos industriales, la arquitectura elástica de Milvus garantiza un rendimiento constante sin necesidad de revisiones frecuentes del sistema.
Flexibilidad: El soporte para diversos lenguajes de programación y APIs permite una integración sencilla con sistemas y flujos de trabajo industriales existentes.
Seguridad de los datos: Las funciones de multi-tenencia permiten un manejo seguro de los datos en entornos de fabricación o investigación compartidos.
Al aprovechar las capacidades de Milvus en sistemas RAG con LLMs específicos del dominio, industrias como la fabricación de semiconductores pueden crear herramientas potentes para la resolución de problemas, la optimización de procesos y la preservación del conocimiento. Esta combinación de tecnologías aborda los desafíos de la escasez de experiencia y la gestión compleja de datos en entornos industriales modernos.
Implicaciones para la industria de semiconductores y más allá
La combinación de modelos de lenguaje específicos de dominio, sistemas de IA agéntica y bases de datos vectoriales tiene varias implicaciones para la industria de semiconductores y otros sectores de fabricación complejos:
Abordar la escasez de experiencia: Estos sistemas de IA pueden capturar y difundir el conocimiento de profesionales experimentados, ayudando a mitigar el impacto de la jubilación de expertos y la escasez de talento. Esto es crucial en áreas como el proyecto de TSMC en Arizona, donde la experiencia local en fabricación de semiconductores puede ser limitada.
Acelerar la innovación en los procesos de fabricación: Al analizar rápidamente grandes cantidades de datos y sugerir optimizaciones, la IA puede acelerar el desarrollo y el perfeccionamiento de técnicas de fabricación. Esto podría conducir a una adopción más rápida de nuevas tecnologías como la litografía ultravioleta extrema (EUV) o el apilamiento de chips 3D.
Hacer que la experiencia de alto nivel sea más accesible en toda la organización: Los sistemas de IA pueden proporcionar asesoramiento de nivel experto al personal con menos experiencia, democratizando el conocimiento y mejorando la toma de decisiones en todos los niveles de una empresa.
Permitir la creación de sistemas de IA personalizados y propietarios: Las empresas pueden basarse en estos fundamentos de IA para crear sistemas adaptados a sus procesos de fabricación específicos, lo que potencialmente proporciona una ventaja competitiva.
Ayudar a las empresas a establecer operaciones en nuevas regiones: Los sistemas de IA pueden ayudar a transferir conocimiento y mejores prácticas a nuevas instalaciones, lo que potencialmente facilita los desafíos de establecer operaciones de fabricación en áreas con menos experiencia en la industria de semiconductores.
Mejorar la optimización y eficiencia de los procesos: El análisis y la optimización continuos de los procesos de fabricación pueden conducir a mejores rendimientos, reducción de desperdicios y mayor eficiencia general. Esto es crucial en una industria donde incluso pequeñas mejoras en el rendimiento pueden traducirse en importantes ahorros de costos.
Mejorar el mantenimiento predictivo y el control de calidad: La IA puede predecir fallas de equipos y problemas de calidad antes de que ocurran, permitiendo un mantenimiento proactivo y garantizando una calidad de producto constante. Esto es particularmente importante en la fabricación de semiconductores, donde el tiempo de inactividad de los equipos y los defectos pueden ser extremadamente costosos.
Facilitar una adaptación más rápida a nuevas tecnologías: A medida que surgen nuevas tecnologías de fabricación, los sistemas de IA pueden incorporar rápidamente este conocimiento, permitiendo una adopción más rápida de técnicas de vanguardia. Esta agilidad es crucial en la acelerada industria de semiconductores, donde los avances tecnológicos ocurren rápidamente.
Conclusión
Robertson y Shruti hicieron un gran trabajo al mostrar cómo la IA específica de dominio y las arquitecturas avanzadas como OpenSSA pueden cerrar la brecha de experiencia en la fabricación de semiconductores. Al integrar Milvus, vemos cómo las potentes herramientas para la gestión de datos vectoriales pueden mejorar la capacidad de la IA para ofrecer soluciones precisas y en tiempo real en industrias altamente especializadas. Sus perspectivas enfatizan que, con la tecnología adecuada, incluso los campos más complejos pueden aprovechar la IA para innovar y optimizar procesos de manera efectiva.
Sigue leyendo
Zilliz Cloud Now Available in Azure North Europe: Bringing AI-Powered Vector Search Closer to European Customers
The addition of the Azure North Europe (Ireland) region further expands our global footprint to better serve our European customers.
Zilliz Named "Highest Performer" and "Easiest to Use" in G2's Summer 2025 Grid® Report for Vector Databases
Zilliz shines in G2's Summer 2025 Grid® Report as both "Highest Performer" and "Easiest to Use," solving the performance-usability dilemma.
Why AI Databases Don't Need SQL
Whether you like it or not, here's the truth: SQL is destined for decline in the era of AI.