Résolution de problèmes industriels grâce à des modèles spécifiques au domaine et à l’IA agentique : une étude de cas dans la fabrication de semi-conducteurs
L’industrie des semi-conducteurs est à la croisée des chemins, confrontée à une pénurie critique d’expertise spécialisée pour établir et exploiter des installations de fabrication de pointe. Ce déficit affecte les calendriers des projets, augmente les coûts et limite l’innovation dans un domaine en pleine croissance, toujours plus complexe.
Lors du récent SF Unstructured Data Meetup, les experts du secteur Christopher Nguyen et Shruti Raghavan de Aitomatic ont exploré la manière dont l’IA peut combler ce déficit d’expertise. Leurs perspectives ont révélé comment des modèles propres à un domaine et des systèmes d’IA agentiques peuvent capturer, partager et appliquer des connaissances spécialisées, offrant une voie à suivre pour l’industrie. Cet article récapitulera leurs points clés et examinera comment Milvus, la base de données vectorielle la plus populaire, peut être utilisé dans le domaine de l’IA industrielle. Commençons par examiner un exemple concret d’une entreprise confrontée à un défi d’expertise. Regardez le récapitulatif de la conférence sur YouTube.
Christopher Nguyen et Shruti Raghavan de Aitomatic s’exprimant lors du SF Unstructured Data Meetup de septembre avec l’AI Alliance
Le défi de l’expertise : l’histoire de deux projets
Christopher a illustré la pénurie d’expertise en comparant les résultats de deux projets similaires de Taiwan Semiconductor Manufacturing Company (TSMC). Les deux projets utilisent une technologie identique et bénéficient d’un financement comparable, pourtant leur progression diffère considérablement. À Kyushu, au Japon, l’installation en construction progresse bien. En revanche, celle de Phoenix, en Arizona, rencontre des difficultés en raison d’une pénurie d’expertise locale.
Cette disparité met en évidence la manière dont la disponibilité de connaissances et d’expérience spécialisées peut influencer de façon significative les résultats des projets, même lorsque les ressources technologiques et financières sont similaires. Ce contraste met en lumière une question clé : comment l’industrie des semi-conducteurs peut-elle atténuer de telles disparités d’expertise, et des solutions fondées sur l’IA pourraient-elles fournir une réponse évolutive ?
Les limites de l’IA généraliste dans les industries spécialisées
Les grands modèles de langage (LLM) généralistes ont démontré des capacités dans divers domaines, mais se révèlent souvent insuffisants dans les applications industrielles spécialisées. Dans la fabrication de semi-conducteurs, les connaissances requises dépassent le champ de ces modèles généralistes.
La production des LLM généralistes dans des contextes spécialisés est comparable à celle d’un jeune diplômé : disposant de connaissances générales, mais dépourvu de l’expertise profonde et expérientielle d’un professionnel chevronné. Cette limite devient évidente lorsqu’il s’agit de processus de fabrication complexes qui exigent une compréhension nuancée et une prise de décision fondée sur des années d’expérience pratique.
Par exemple, les processus de fabrication de semi-conducteurs comme la photolithographie (création de motifs de circuits sur des tranches de silicium), la gravure (retrait sélectif de matériaux de la surface d’une tranche) et la planarisation mécano-chimique (CMP, aplanissement et polissage de la surface de la tranche) nécessitent non seulement des connaissances théoriques, mais aussi une compréhension de la manière dont divers paramètres interagissent dans des scénarios réels.
C’est là que les modèles propres à un domaine deviennent essentiels pour combler l’écart entre les capacités générales de l’IA et les besoins nuancés de la fabrication de semi-conducteurs.
Modèles de langage propres au domaine pour la fabrication de semi-conducteurs
Pour répondre aux limites des LLM généralistes, des modèles propres à l’industrie sont en cours de développement pour le domaine des semi-conducteurs. SemiKong, un projet open source de l’AI Alliance propre au domaine des semi-conducteurs, est un exemple d’un tel modèle. Ces modèles spécialisés visent à intégrer des connaissances propres au domaine afin de répondre aux défis uniques auxquels l’industrie des semi-conducteurs est confrontée.
Les fonctionnalités de SemiKong comprennent :
Données d’entraînement propres à l’industrie : Le modèle est entraîné sur des textes liés aux semi-conducteurs, notamment des articles de recherche, des documents techniques et des rapports sectoriels.
Pré-entraînement propre au domaine : Le modèle utilise des approches de pré-entraînement qui s’appuient sur les connaissances de l’industrie des semi-conducteurs.
Performance sur des tâches pertinentes pour l’industrie : SemiKong est évalué par rapport à des LLM généralistes sur des tâches propres aux semi-conducteurs.
Base pour des modèles propriétaires : Les organisations peuvent utiliser SemiKong comme point de départ pour construire des modèles adaptés à leurs processus et défis de fabrication spécifiques.
SemiKong s’appuie sur des bases open source, ce qui permet son intégration aux flux de travail et aux outils d’IA existants utilisés dans l’industrie.
Architectures d’IA avancées pour les applications industrielles
En s’appuyant sur les capacités spécialisées de modèles comme SemiKong, Aitomatic a développé une architecture Open Small Specialist Agents (OpenSSA). Cette approche exploite les connaissances approfondies de l’industrie intégrées dans SemiKong pour créer des systèmes d’IA agentique capables de prendre des décisions complexes dans la fabrication de semi-conducteurs, allant au-delà de la simple recherche d’informations pour passer à la résolution active de problèmes.
OpenSSA fonctionne au moyen de plusieurs composants interconnectés, qui permettent une gestion efficace des connaissances, la résolution de problèmes et l’intégration des retours d’experts :
Capture des connaissancesLa base du système commence par la capture des connaissances d’experts auprès de spécialistes du domaine, tels que des ingénieurs procédés et des experts en équipements. Ces contributions d’experts sont stockées dans deux référentiels essentiels :
Référentiel de connaissances : Il contient les informations détaillées fournies par ces spécialistes, que le système peut exploiter lorsqu’il traite des problèmes.
Référentiel de programmes : Aux côtés du référentiel de connaissances, ce référentiel contient des programmes réutilisables ou des modèles de solutions conçus pour résoudre des défis de fabrication récurrents.
Ensemble, ces référentiels forment l’épine dorsale des capacités de résolution de problèmes du système, en fournissant une source riche d’informations propres à l’industrie et de solutions éprouvées.
Résolution de problèmes par les agentsEn s’appuyant sur les connaissances capturées, les agents d’IA du système peuvent traiter à la fois des problèmes nouveaux et familiers. Lorsqu’il est confronté à un défi, il peut soit créer une nouvelle formulation du problème en se référant aux informations du référentiel de connaissances, soit rechercher des solutions connues dans le référentiel de programmes lorsqu’un problème similaire a déjà été rencontré.
En intégrant de manière fluide les connaissances à la reconnaissance des problèmes, le système élabore des stratégies adaptées à chaque situation, garantissant que des solutions efficaces sont toujours à portée de main.
Exécution du programmeUne fois qu’une stratégie de solution est formulée, qu’il s’agisse d’une nouvelle approche ou d’une approche connue, le système passe à l’exécution. C’est à ce stade qu’il s’interface avec des environnements de fabrication réels, tels que les Manufacturing Execution Systems (MES), afin de mettre en œuvre ces solutions directement. La phase d’exécution marque l’aboutissement du processus de résolution de problèmes du système.
Retour d’expertsAprès que l’IA a exécuté la solution, des experts humains examinent les résultats et fournissent un retour critique. Cette boucle de rétroaction garantit que le système reste ancré dans l’expertise du monde réel, ce qui lui permet d’apprendre de chaque exécution et d’affiner ses stratégies futures. Les contributions des experts améliorent la compréhension par l’IA des défis de fabrication en évolution.
Mises à jour des connaissancesLes retours d’experts sont ensuite utilisés pour mettre à jour à la fois les référentiels de connaissances et de programmes, garantissant ainsi que le système d’IA s’améliore continuellement.
L’architecture OpenSSA vise à créer des agents d’IA capables de tirer parti à la fois des vastes capacités des modèles de langage et d’une expertise spécifique au domaine pour résoudre des problèmes complexes dans la fabrication des semi-conducteurs. Par exemple, un agent d’IA pourrait contribuer à optimiser un processus de gravure au plasma en prenant en compte plusieurs facteurs tels que les débits de gaz, la pression de la chambre et les réglages de puissance RF, en s’appuyant sur sa base de connaissances et ses capacités de résolution de problèmes pour suggérer des paramètres optimaux.
Pour voir l’agent d’IA en action, regardez cette vidéo.
Planification hiérarchique des tâches et prise de décision itérative
Les agents d’IA développés à l’aide d’architectures comme OpenSSA emploient des stratégies sophistiquées de résolution de problèmes. Robert et Shruti ont montré comment l’IA peut aborder la résolution de problèmes grâce à la planification hiérarchique des tâches et à la prise de décision itérative, essentielles pour s’adapter aux conditions variables de la fabrication des semi-conducteurs.
L’approche de résolution de problèmes de l’agent d’IA se compose de deux aspects clés :
Planification hiérarchique des tâches
La planification hiérarchique des tâches consiste à décomposer des tâches complexes en sous-tâches plus petites et gérables. Cette approche crée une structure arborescente de tâches et de sous-tâches, permettant à l’IA de gérer efficacement des processus de fabrication complexes.
Par exemple, lors de l’optimisation d’un processus de dépôt chimique en phase vapeur (CVD), l’IA le décompose en sous-tâches suivantes :
Ajuster les débits de gaz
Contrôler la température de la chambre
Optimiser le temps de dépôt
Surveiller l’épaisseur du film
Chacune de ces sous-tâches peut être subdivisée davantage si nécessaire, créant une hiérarchie de tâches à plusieurs niveaux. Cette structure permet à l’IA d’aborder les problèmes complexes de manière systématique, en veillant à ce que tous les aspects d’un processus soient pris en compte.
Prise de décision itérative (boucle OODA)
L’IA utilise un processus de prise de décision itérative connu sous le nom de boucle OODA (Observer, Orienter, Décider, Agir) pour guider ses actions à chaque niveau de la hiérarchie des tâches. Ce cycle continu permet à l’IA de s’adapter en temps réel aux conditions changeantes :
Observer : L’IA recueille des données à partir de capteurs et de systèmes de fabrication, collectant des informations pertinentes sur l’état actuel du processus.
Orienter : Elle analyse les données collectées dans le contexte du processus de fabrication en cours, en tenant compte des données historiques et des paramètres connus.
Décider : Sur la base de l’analyse, l’IA choisit la meilleure action à entreprendre, en évaluant différentes options et leurs résultats potentiels.
Agir : L’action choisie est mise en œuvre, influençant le processus de fabrication.
Ce cycle se répète en continu, permettant à l’IA de réagir dynamiquement aux changements dans l’environnement de fabrication. Par exemple, si l’IA détecte une variation inattendue des débits de gaz pendant le processus CVD, elle peut rapidement ajuster d’autres paramètres afin de maintenir des conditions de dépôt optimales.
Cette combinaison de planification hiérarchique et de raisonnement itératif permet à l’IA de gérer efficacement des problèmes complexes et multidimensionnels dans des environnements industriels. Elle permet à la fois une planification stratégique de haut niveau et une prise de décision tactique rapide au niveau opérationnel. Cela constitue l’épine dorsale d’applications pratiques, telles que l’optimisation des processus de fabrication des semi-conducteurs comme la gravure au plasma.
Application pratique : optimisation du processus de gravure assistée par l’IA
Une application pratique de ces approches d’IA est l’optimisation du processus de gravure. La gravure est une étape essentielle de la fabrication des semi-conducteurs, au cours de laquelle des zones spécifiques d’une plaquette de silicium sont retirées afin de créer les motifs complexes nécessaires au fonctionnement des puces. Aitomatic a développé des systèmes qui combinent des modèles de langage propres au domaine avec l’architecture OpenSSA afin d’améliorer les capacités de fabrication des semi-conducteurs.
Figure 1- Architecture du conseiller de gravure.png
Figure 1 : Architecture d’Etching Advisor
Examinons ce qui se passe dans l’architecture en couches d’un système d’optimisation de la gravure assisté par l’IA :
Couche de base : Cette couche fondamentale fournit des capacités d’inférence de base et une compréhension générale du langage. Elle peut traiter les requêtes en langage naturel des ingénieurs et interpréter des données de fabrication de base.
Couche intermédiaire : Cette couche offre une compréhension des concepts propres au domaine et intègre les connaissances spécifiques à l’entreprise. Elle comprend des termes spécialisés comme le rapport d’aspect (le rapport entre la profondeur et la largeur d’un motif gravé) ou la sélectivité (la capacité à graver un matériau plus rapidement qu’un autre) et peut intégrer les recettes de procédés propriétaires d’une entreprise.
Couche supérieure : Cette couche fournit des capacités avancées de résolution de problèmes et encapsule des connaissances de niveau expert en gravure de semi-conducteurs. Elle peut suggérer des stratégies de gravure complexes en plusieurs étapes, prédire des problèmes potentiels comme l’érosion du masque ou l’arrêt de gravure, et recommander des mesures préventives.
Chaque couche s’appuie sur les capacités de celles qui se trouvent en dessous, permettant au système de fournir des recommandations détaillées pour des procédés de gravure complexes en combinant des connaissances générales avec une expertise spécialisée. Par exemple, lors de l’optimisation d’une gravure de tranchée profonde pour une puce mémoire, le système pourrait suggérer d’ajuster le mélange gazeux afin d’améliorer la passivation des parois latérales, recommander une stratégie spécifique de cyclage de puissance pour éviter le crantage, et proposer un traitement post-gravure pour éliminer les résidus.
Pour que ces systèmes d’IA fonctionnent efficacement, ils nécessitent des solutions robustes de gestion des données. C’est là que Milvus, une base de données vectorielle haute performance, joue un rôle crucial en permettant la récupération et le stockage efficaces de données de fabrication complexes à diverses fins.
Le rôle de Milvus dans l’IA industrielle
Milvus joue un rôle crucial dans la mise en œuvre d’applications d’IA avancées dans les environnements industriels, en particulier dans la fabrication de semi-conducteurs. Ses fonctionnalités et capacités le rendent particulièrement adapté à la gestion des données complexes et aux besoins de récupération des systèmes d’IA modernes, en particulier lors de la mise en œuvre de la génération augmentée par récupération (RAG) avec des modèles de langage spécifiques au domaine comme SemiKong.
Fonctionnalités clés de Milvus pour les applications industrielles
Multi-tenancy : Milvus permet à plusieurs utilisateurs ou applications de travailler sur le même système sans interférer les uns avec les autres. Dans la fabrication de semi-conducteurs, cela permet à différentes équipes ou lignes de production de disposer d’un accès sécurisé et isolé à leurs données spécifiques tout en partageant la même infrastructure.
Calcul accéléré par matériel : Optimisé pour divers environnements matériels (notamment AVX512, Neon pour SIMD, et l’accélération GPU), Milvus offre un traitement rapide pour les tâches gourmandes en ressources. Cela est particulièrement précieux pour l’analyse en temps réel de données de fabrication complexes ou l’inférence de modèles d’IA pour l’optimisation des procédés.
Prise en charge des langages et des API : Grâce à la prise en charge de Python, Java, Golang, NodeJS, et plus encore, Milvus s’intègre parfaitement à divers environnements de développement et écosystèmes logiciels industriels existants.
Architecture évolutive et élastique : À mesure que les données de fabrication des semi-conducteurs augmentent au fil du temps, Milvus s’adapte automatiquement à la demande, garantissant des performances constantes même lorsque les données historiques des procédés s’accumulent.
Prise en charge d’index diversifiés : Milvus prend en charge plusieurs types d’index (par exemple, HNSW, PQ, Binary, DiskANN), offrant une flexibilité dans la manière dont les données de fabrication sont stockées et recherchées. Cela permet une récupération efficace des informations pertinentes pour des scénarios de fabrication spécifiques.
Cohérence réglable : La capacité d’ajuster les niveaux de cohérence permet aux fabricants de semi-conducteurs de trouver un équilibre entre les performances des requêtes et l’exactitude des données en fonction des besoins spécifiques des différents processus de fabrication ou des exigences de contrôle qualité.
Milvus dans les systèmes RAG pour la fabrication de semi-conducteurs
Lors de la mise en œuvre d’un système RAG utilisant Milvus et un LLM spécifique au domaine comme SemiKong pour la fabrication de semi-conducteurs, le processus ressemble à ceci :
Création de la base de connaissances :
Des embeddings vectoriels sont créés à partir de documents techniques, d’articles de recherche et de journaux de fabrication.
Ceux-ci sont stockés dans Milvus, en exploitant sa prise en charge diversifiée des index pour un stockage et une récupération optimaux.
Traitement des requêtes :
Un ingénieur saisit une description du problème (par exemple, variations inattendues du taux de gravure).
La requête est convertie en une représentation vectorielle.
Récupération :
Milvus effectue une recherche de similarité en utilisant ses capacités de calcul accélérées par matériel.
Il emploie des méthodes de recherche avancées (par exemple, top-K ANN, range ANN, recherches filtrées) pour trouver les cas ou documents passés les plus pertinents.
La multi-location garantit que seules les données autorisées sont consultées.
Augmentation et génération :
Les informations récupérées sont combinées avec la requête d’origine et transmises au LLM SemiKong.
SemiKong génère une réponse, combinant ses connaissances en semi-conducteurs avec les informations spécifiques récupérées.
Apprentissage continu :
- De nouveaux cas et solutions sont ajoutés à la base de données Milvus, en exploitant son architecture évolutive pour maintenir les performances à mesure que la base de connaissances se développe.
Technologies Milvus pour divers cas d’utilisation industriels
Types de calcul : L’optimisation de Milvus pour différents environnements matériels garantit un traitement rapide et une évolutivité rentable dans diverses applications industrielles.
Types de recherche : Le large éventail de méthodes de recherche permet d’adapter la fonctionnalité de recherche aux besoins industriels spécifiques, qu’il s’agisse d’identifier des défauts de fabrication similaires, de faire correspondre des paramètres de processus ou de trouver une documentation pertinente.
Types d’index : Avec 15 types d’indexation disponibles, Milvus offre des options pour équilibrer les performances, la précision et les coûts pour différents jeux de données industriels et schémas de requêtes.
Avantages de Milvus dans l’IA industrielle
Prise de décision améliorée : En permettant une récupération rapide et précise des informations pertinentes, Milvus soutient la prise de décision fondée sur les données dans des environnements de fabrication complexes.
Efficacité améliorée : L’accélération matérielle et l’indexation optimisée conduisent à un traitement plus rapide des requêtes, crucial pour les applications industrielles en temps réel.
Évolutivité : À mesure que les volumes de données industrielles augmentent, l’architecture élastique de Milvus garantit des performances constantes sans nécessiter de refontes fréquentes du système.
Flexibilité : La prise en charge de divers langages de programmation et API permet une intégration facile avec les systèmes et flux de travail industriels existants.
Sécurité des données : Les fonctionnalités de multi-location permettent une gestion sécurisée des données dans des environnements de fabrication ou de recherche partagés.
En exploitant les capacités de Milvus dans les systèmes RAG avec des LLM spécifiques au domaine, des industries comme la fabrication de semi-conducteurs peuvent créer des outils puissants pour la résolution de problèmes, l’optimisation des processus et la préservation des connaissances. Cette combinaison de technologies répond aux défis liés aux pénuries d’expertise et à la gestion complexe des données dans les environnements industriels modernes.
Implications pour l’industrie des semi-conducteurs et au-delà
La combinaison de modèles de langage propres à un domaine, de systèmes d’IA agentiques et de bases de données vectorielles a plusieurs implications pour l’industrie des semi-conducteurs et d’autres secteurs manufacturiers complexes :
Remédier aux pénuries d’expertise : Ces systèmes d’IA peuvent capturer et diffuser les connaissances de professionnels expérimentés, contribuant ainsi à atténuer l’impact des départs à la retraite d’experts et des pénuries de talents. C’est crucial dans des domaines comme le projet de TSMC en Arizona, où l’expertise locale en fabrication de semi-conducteurs peut être limitée.
Accélérer l’innovation dans les processus de fabrication : En analysant rapidement de vastes quantités de données et en suggérant des optimisations, l’IA peut accélérer le développement et l’affinement des techniques de fabrication. Cela pourrait conduire à une adoption plus rapide de nouvelles technologies comme la lithographie à ultraviolet extrême (EUV) ou l’empilement de puces 3D.
Rendre l’expertise de haut niveau plus accessible dans l’ensemble des organisations : Les systèmes d’IA peuvent fournir des conseils de niveau expert au personnel moins expérimenté, démocratisant ainsi les connaissances et améliorant la prise de décision à tous les niveaux d’une entreprise.
Permettre la création de systèmes d’IA personnalisés et propriétaires : Les entreprises peuvent s’appuyer sur ces fondations d’IA pour créer des systèmes adaptés à leurs processus de fabrication spécifiques, offrant potentiellement un avantage concurrentiel.
Aider les entreprises à établir des opérations dans de nouvelles régions : Les systèmes d’IA peuvent aider à transférer les connaissances et les meilleures pratiques vers de nouvelles installations, facilitant potentiellement les défis liés à la mise en place d’opérations de fabrication dans des zones ayant moins d’expérience dans l’industrie des semi-conducteurs.
Améliorer l’optimisation et l’efficacité des processus : L’analyse et l’optimisation continues des processus de fabrication peuvent conduire à de meilleurs rendements, à une réduction des déchets et à une efficacité globale accrue. C’est crucial dans une industrie où même de petites améliorations du rendement peuvent se traduire par des économies de coûts significatives.
Améliorer la maintenance prédictive et le contrôle qualité : L’IA peut prédire les défaillances d’équipements et les problèmes de qualité avant qu’ils ne surviennent, permettant une maintenance proactive et garantissant une qualité de produit constante. C’est particulièrement important dans la fabrication de semi-conducteurs, où les temps d’arrêt des équipements et les défauts peuvent être extrêmement coûteux.
Faciliter une adaptation plus rapide aux nouvelles technologies : À mesure que de nouvelles technologies de fabrication émergent, les systèmes d’IA peuvent intégrer rapidement ces connaissances, permettant une adoption plus rapide de techniques de pointe. Cette agilité est cruciale dans l’industrie des semi-conducteurs, qui évolue rapidement et où les avancées technologiques se produisent à un rythme soutenu.
Conclusion
Robertson et Shruti ont fait un excellent travail en montrant comment l’IA propre à un domaine et les architectures avancées comme OpenSSA peuvent combler le déficit d’expertise dans la fabrication de semi-conducteurs. En intégrant Milvus, nous voyons comment de puissants outils de gestion de données vectorielles peuvent renforcer la capacité de l’IA à fournir des solutions précises et en temps réel dans des industries hautement spécialisées. Leurs analyses soulignent qu’avec la bonne technologie, même les domaines les plus complexes peuvent tirer parti de l’IA pour innover et optimiser efficacement les processus.
Continuer à lire
Why and How to Migrate from Self-Hosted Milvus to Zilliz Cloud
A simple, step-by-step guide to migrating from Milvus to Zilliz Cloud. Learn both endpoint and backup methods for a smooth, scalable vector database migration.
How to Use Anthropic MCP Server with Milvus
MCP + Milvus: Streamline AI agent development with standardized data access, eliminating integration hassles while enhancing context and flexibility.
Vector Databases vs. Document Databases
Use a vector database for similarity search and AI-powered applications; use a document database for flexible schema and JSON-like data storage.