Resolução de Problemas Industriais por meio de Modelos Específicos de Domínio e IA Agêntica: Um Estudo de Caso de Fabricação de Semicondutores
A indústria de semicondutores está em uma encruzilhada, enfrentando uma escassez crítica de expertise especializada para estabelecer e operar instalações de fabricação de ponta. Essa lacuna impacta os cronogramas dos projetos, eleva os custos e limita a inovação em um campo em crescimento cada vez mais complexo.
Durante o recente SF Unstructured Data Meetup, os especialistas do setor Christopher Nguyen e Shruti Raghavan da Aitomatic exploraram como a IA pode preencher essa lacuna de expertise. Seus insights revelaram como modelos específicos de domínio e sistemas de IA agêntica podem capturar, compartilhar e aplicar conhecimento especializado, oferecendo um caminho a seguir para o setor. Este artigo recapitulará seus principais pontos e discutirá como o Milvus, o banco de dados vetorial mais popular, pode ser usado no domínio da IA industrial. Vamos começar analisando um exemplo do mundo real de uma empresa enfrentando um desafio de expertise. Assista à recapitulação da palestra no YouTube.
Christopher Nguyen e Shruti Raghavan da Aitomatic falando no SF Unstructured Data Meetup de setembro com a AI Alliance
O Desafio da Expertise: Uma História de Dois Projetos
Christopher ilustrou a escassez de expertise ao contrastar os resultados de dois projetos semelhantes da Taiwan Semiconductor Manufacturing Company (TSMC). Ambos os projetos usam tecnologia idêntica e têm apoio financeiro comparável, mas seu progresso difere significativamente. Em Kyushu, no Japão, a instalação em construção está avançando bem. Por outro lado, a de Phoenix, Arizona, está encontrando dificuldades devido à escassez de expertise local.
Essa disparidade destaca como a disponibilidade de conhecimento e experiência especializados pode influenciar significativamente os resultados dos projetos, mesmo quando os recursos tecnológicos e financeiros são semelhantes. Esse contraste evidencia uma questão-chave: como a indústria de semicondutores pode mitigar tais disparidades de expertise, e alguma solução impulsionada por IA poderia fornecer uma resposta escalável?
Limitações da IA de Uso Geral em Indústrias Especializadas
Modelos de linguagem grandes (LLMs) de uso geral demonstraram capacidades em vários domínios, mas muitas vezes ficam aquém em aplicações industriais especializadas. Na fabricação de semicondutores, o conhecimento necessário vai além do escopo desses modelos gerais.
O resultado de LLMs gerais em contextos especializados é comparável ao de um recém-formado — possuindo conhecimento amplo, mas carecendo da expertise profunda e experiencial de um profissional experiente. Essa limitação torna-se evidente ao lidar com processos de fabricação complexos que exigem compreensão nuanceada e tomada de decisão baseada em anos de experiência prática.
Por exemplo, processos de fabricação de semicondutores como fotolitografia (criação de padrões de circuitos em wafers de silício), gravação química (remoção seletiva de materiais da superfície de um wafer) e planarização químico-mecânica (CMP, nivelamento e polimento da superfície do wafer) exigem não apenas conhecimento teórico, mas uma compreensão de como vários parâmetros interagem em cenários do mundo real.
É aqui que modelos específicos de domínio se tornam críticos para preencher a lacuna entre as capacidades gerais de IA e as necessidades diferenciadas da fabricação de semicondutores.
Modelos de linguagem específicos de domínio para fabricação de semicondutores
Para lidar com as limitações dos LLMs de uso geral, modelos específicos da indústria estão sendo desenvolvidos para o domínio de semicondutores. SemiKong, um projeto open-source da AI Alliance específico para o domínio de semicondutores, é um exemplo desse tipo de modelo. Esses modelos especializados visam incorporar conhecimento específico do domínio para enfrentar os desafios únicos da indústria de semicondutores.
Os recursos do SemiKong incluem:
Dados de treinamento específicos da indústria: O modelo é treinado em textos relacionados a semicondutores, incluindo artigos de pesquisa, documentos técnicos e relatórios da indústria.
Pré-treinamento específico de domínio: O modelo usa abordagens de pré-treinamento que aproveitam o conhecimento da indústria de semicondutores.
Desempenho em tarefas relevantes para a indústria: O SemiKong é comparado a LLMs de uso geral em tarefas específicas de semicondutores.
Base para modelos proprietários: As organizações podem usar o SemiKong como ponto de partida para criar modelos adaptados aos seus processos e desafios específicos de fabricação.
O SemiKong se baseia em fundamentos open-source, permitindo a integração com fluxos de trabalho e ferramentas de IA existentes usados na indústria.
Arquiteturas avançadas de IA para aplicações industriais
Com base nas capacidades especializadas de modelos como o SemiKong, a Aitomatic desenvolveu uma arquitetura Open Small Specialist Agents (OpenSSA). Essa abordagem aproveita o profundo conhecimento da indústria incorporado ao SemiKong para criar sistemas de IA agênticos capazes de tomada de decisão complexa na fabricação de semicondutores, indo além da simples recuperação de informações para a resolução ativa de problemas.
O OpenSSA opera por meio de vários componentes interconectados, que permitem gerenciamento eficiente do conhecimento, resolução de problemas e integração de feedback de especialistas:
Captura de conhecimentoA base do sistema começa com a captura de conhecimento especializado de especialistas do domínio, como engenheiros de processo e especialistas em equipamentos. Essa contribuição especializada é armazenada em dois repositórios essenciais:
Armazenamento de conhecimento: Ele contém insights detalhados fornecidos por esses especialistas, aos quais o sistema pode recorrer ao tratar problemas.
Armazenamento de programas: Junto ao armazenamento de conhecimento, este repositório contém programas reutilizáveis ou modelos de solução projetados para resolver desafios recorrentes de fabricação.
Juntos, esses repositórios formam a espinha dorsal das capacidades de resolução de problemas do sistema, fornecendo uma fonte rica de informações específicas da indústria e soluções comprovadas.
Resolução de problemas por agentesCom base no conhecimento capturado, os agentes de IA do sistema podem enfrentar tanto problemas novos quanto familiares. Quando confrontado com um desafio, ele pode criar uma nova formulação de problema fazendo referência a informações do armazenamento de conhecimento ou procurar soluções conhecidas no armazenamento de programas quando um problema semelhante já tiver sido encontrado antes.
Ao integrar perfeitamente conhecimento com reconhecimento de problemas, o sistema desenvolve estratégias adaptadas a cada situação, garantindo que soluções eficazes estejam sempre ao alcance.
Execução de programasUma vez formulada uma estratégia de solução, seja uma nova abordagem ou uma já conhecida, o sistema passa para a execução. É aqui que ele se conecta a ambientes reais de fabricação, como Manufacturing Execution Systems (MES), para implementar essas soluções diretamente. A fase de execução marca o ponto culminante do processo de resolução de problemas do sistema.
Feedback de especialistasDepois que a IA executa a solução, especialistas humanos analisam os resultados e fornecem feedback crítico. Esse ciclo de feedback garante que o sistema permaneça fundamentado na experiência do mundo real, permitindo que ele aprenda com cada execução e refine suas estratégias futuras. A contribuição de especialistas melhora a compreensão da IA sobre os desafios de fabricação em evolução.
Atualizações de conhecimentoO feedback de especialistas é então usado para atualizar tanto os repositórios de conhecimento quanto os de programas, garantindo que o sistema de IA melhore continuamente.
A arquitetura OpenSSA visa criar agentes de IA que possam aproveitar tanto as amplas capacidades dos modelos de linguagem quanto a expertise específica de domínio para resolver problemas complexos na fabricação de semicondutores. Por exemplo, um agente de IA poderia ajudar a otimizar um processo de corrosão por plasma considerando múltiplos fatores, como taxas de fluxo de gás, pressão da câmara e configurações de potência de RF, recorrendo à sua base de conhecimento e às suas capacidades de resolução de problemas para sugerir parâmetros ideais.
Para ver o agente de IA em ação, assista a este vídeo.
Planejamento hierárquico de tarefas e tomada de decisão iterativa
Agentes de IA desenvolvidos usando arquiteturas como OpenSSA empregam estratégias sofisticadas de resolução de problemas. Robert e Shruti demonstraram como a IA pode abordar a resolução de problemas por meio do planejamento hierárquico de tarefas e da tomada de decisão iterativa, essenciais para se adaptar às condições variáveis da fabricação de semicondutores.
A abordagem de resolução de problemas do agente de IA consiste em dois aspectos principais:
Planejamento hierárquico de tarefas
O planejamento hierárquico de tarefas envolve dividir tarefas complexas em subtarefas menores e gerenciáveis. Essa abordagem cria uma estrutura em forma de árvore de tarefas e subtarefas, permitindo que a IA gerencie processos de fabricação intrincados com eficiência.
Por exemplo, ao otimizar um processo de deposição química de vapor (CVD), a IA o divide nas seguintes subtarefas:
Ajustar as taxas de fluxo de gás
Controlar a temperatura da câmara
Otimizar o tempo de deposição
Monitorar a espessura do filme
Cada uma dessas subtarefas pode ser ainda mais dividida, se necessário, criando uma hierarquia multinível de tarefas. Essa estrutura permite que a IA enfrente problemas complexos de forma sistemática, garantindo que todos os aspectos de um processo sejam abordados.
Tomada de decisão iterativa (ciclo OODA)
A IA emprega um processo iterativo de tomada de decisão conhecido como ciclo OODA (Observar, Orientar, Decidir, Agir) para orientar suas ações em cada nível da hierarquia de tarefas. Esse ciclo contínuo permite que a IA se adapte a condições em mudança em tempo real:
Observar: A IA coleta dados de sensores e sistemas de fabricação, reunindo informações relevantes sobre o estado atual do processo.
Orientar: Ela analisa os dados coletados no contexto do processo de fabricação atual, considerando dados históricos e parâmetros conhecidos.
Decidir: Com base na análise, a IA escolhe a melhor ação a ser tomada, ponderando várias opções e seus possíveis resultados.
Agir: A ação escolhida é implementada, afetando o processo de fabricação.
Esse ciclo se repete continuamente, permitindo que a IA responda dinamicamente a mudanças no ambiente de fabricação. Por exemplo, se a IA detectar uma mudança inesperada nas taxas de fluxo de gás durante o processo de CVD, ela poderá ajustar rapidamente outros parâmetros para manter condições ideais de deposição.
Essa combinação de planejamento hierárquico e raciocínio iterativo permite que a IA lide efetivamente com problemas complexos e multifacetados em ambientes industriais. Ela possibilita tanto o planejamento estratégico de alto nível quanto a tomada de decisão rápida e tática no nível operacional. Isso forma a base de aplicações práticas, como a otimização de processos de fabricação de semicondutores, como a corrosão por plasma.
Aplicação prática: otimização de processo de corrosão assistida por IA
Uma aplicação prática dessas abordagens de IA está na otimização do processo de corrosão. A corrosão é uma etapa crítica na fabricação de semicondutores, na qual áreas específicas de um wafer de silício são removidas para criar os padrões intrincados necessários à funcionalidade do chip. Aitomatic desenvolveu sistemas que combinam modelos de linguagem específicos de domínio com a arquitetura OpenSSA para aprimorar as capacidades de fabricação de semicondutores.
Figura 1- Arquitetura do Etching Advisor.png
Figura 1: Arquitetura do Etching Advisor
Vamos analisar o que está acontecendo na arquitetura em camadas de um sistema de otimização de corrosão assistido por IA:
Camada Base: Esta camada fundamental fornece capacidades básicas de inferência e compreensão geral da linguagem. Ela pode processar consultas em linguagem natural de engenheiros e interpretar dados básicos de manufatura.
Camada Intermediária: Esta camada oferece compreensão de conceitos específicos do domínio e integra conhecimento específico da empresa. Ela entende termos especializados como proporção de aspecto (a razão entre profundidade e largura em uma característica corroída) ou seletividade (a capacidade de corroer um material mais rapidamente do que outro) e pode incorporar receitas de processo proprietárias de uma empresa.
Camada Superior: Esta camada fornece capacidades avançadas de resolução de problemas e encapsula conhecimento de nível especialista em corrosão de semicondutores. Ela pode sugerir estratégias complexas de corrosão em várias etapas, prever possíveis problemas como erosão da máscara ou parada de corrosão, e recomendar medidas preventivas.
Cada camada se baseia nas capacidades das camadas abaixo dela, permitindo que o sistema forneça recomendações detalhadas para processos complexos de corrosão ao combinar conhecimento geral com expertise especializada. Por exemplo, ao otimizar a corrosão de uma trincheira profunda para um chip de memória, o sistema pode sugerir ajustar a mistura de gases para melhorar a passivação das paredes laterais, recomendar uma estratégia específica de ciclagem de potência para evitar notching e propor um tratamento pós-corrosão para remover resíduos.
Para que esses sistemas de IA funcionem com eficiência, eles exigem soluções robustas de gerenciamento de dados. É aqui que o Milvus, um banco de dados vetorial de alto desempenho, desempenha um papel crucial ao permitir a recuperação e o armazenamento eficazes de dados complexos de manufatura para diversos fins.
O Papel do Milvus na IA Industrial
O Milvus desempenha um papel crucial ao viabilizar aplicações avançadas de IA em ambientes industriais, particularmente na manufatura de semicondutores. Seus recursos e capacidades o tornam adequado para lidar com os dados complexos e as necessidades de recuperação dos sistemas modernos de IA, especialmente ao implementar Geração Aumentada por Recuperação (RAG) com modelos de linguagem específicos do domínio como SemiKong.
Principais Recursos do Milvus para Aplicações Industriais
Multilocação: O Milvus permite que múltiplos usuários ou aplicações trabalhem no mesmo sistema sem interferir uns com os outros. Na manufatura de semicondutores, isso permite que diferentes equipes ou linhas de produção tenham acesso seguro e isolado aos seus dados específicos enquanto compartilham a mesma infraestrutura.
Computação Acelerada por Hardware: Otimizado para diversos ambientes de hardware (incluindo AVX512, Neon para SIMD e aceleração por GPU), o Milvus oferece processamento rápido para tarefas intensivas em recursos. Isso é particularmente valioso para a análise em tempo real de dados complexos de manufatura ou inferência de modelos de IA para otimização de processos.
Suporte a Linguagens e APIs: Com suporte a Python, Java, Golang, NodeJS e mais, o Milvus se integra perfeitamente a diversos ambientes de desenvolvimento e ecossistemas de software industrial existentes.
Arquitetura Escalável e Elástica: À medida que os dados de manufatura de semicondutores crescem ao longo do tempo, o Milvus escala automaticamente para atender à demanda, garantindo desempenho consistente mesmo com o acúmulo de dados históricos de processo.
Suporte a Índices Diversos: Milvus oferece suporte a vários tipos de índice (por exemplo, HNSW, PQ, Binary, DiskANN), permitindo flexibilidade na forma como os dados de manufatura são armazenados e pesquisados. Isso permite a recuperação eficiente de informações relevantes para cenários específicos de manufatura.
Consistência Ajustável: A capacidade de ajustar os níveis de consistência permite que fabricantes de semicondutores equilibrem desempenho de consulta e precisão dos dados com base nas necessidades específicas de diferentes processos de manufatura ou requisitos de controle de qualidade.
Milvus em Sistemas RAG para Manufatura de Semicondutores
Ao implementar um sistema RAG usando Milvus e um LLM específico de domínio como SemiKong para manufatura de semicondutores, o processo é assim:
Criação da Base de Conhecimento:
Embeddings vetoriais são criados a partir de documentos técnicos, artigos de pesquisa e logs de manufatura.
Eles são armazenados no Milvus, aproveitando seu suporte a índices diversos para armazenamento e recuperação ideais.
Processamento de Consulta:
Um engenheiro insere uma descrição do problema (por exemplo, variações inesperadas na taxa de corrosão).
A consulta é convertida em uma representação vetorial.
Recuperação:
Milvus realiza uma busca por similaridade usando seus recursos de computação acelerada por hardware.
Ele emprega métodos avançados de busca (por exemplo, ANN top-K, ANN por intervalo, buscas filtradas) para encontrar os casos ou documentos anteriores mais relevantes.
A multilocação garante que apenas dados autorizados sejam acessados.
Aumento e Geração:
As informações recuperadas são combinadas com a consulta original e inseridas no LLM SemiKong.
SemiKong gera uma resposta, combinando seu conhecimento sobre semicondutores com as informações específicas recuperadas.
Aprendizado Contínuo:
- Novos casos e soluções são adicionados ao banco de dados Milvus, aproveitando sua arquitetura escalável para manter o desempenho à medida que a base de conhecimento cresce.
Tecnologias Milvus para Vários Casos de Uso Industriais
Tipos de Computação: A otimização do Milvus para diferentes ambientes de hardware garante processamento rápido e escalabilidade econômica em várias aplicações industriais.
Tipos de Busca: A ampla variedade de métodos de busca permite adaptar a funcionalidade de busca a necessidades industriais específicas, seja para identificar defeitos de manufatura semelhantes, corresponder parâmetros de processo ou encontrar documentação relevante.
Tipos de Índice: Com 15 tipos de indexação disponíveis, Milvus oferece opções para equilibrar desempenho, precisão e custo para diferentes conjuntos de dados industriais e padrões de consulta.
Benefícios do Milvus em IA Industrial
Tomada de Decisão Aprimorada: Ao permitir a recuperação rápida e precisa de informações relevantes, Milvus apoia a tomada de decisões orientada por dados em ambientes de manufatura complexos.
Eficiência Aprimorada: A aceleração por hardware e a indexação otimizada levam a um processamento de consultas mais rápido, crucial para aplicações industriais em tempo real.
Escalabilidade: À medida que os volumes de dados industriais crescem, a arquitetura elástica do Milvus garante desempenho consistente sem a necessidade de reformulações frequentes do sistema.
Flexibilidade: O suporte a várias linguagens de programação e APIs permite fácil integração com sistemas e fluxos de trabalho industriais existentes.
Segurança de Dados: Recursos de multilocação permitem o manuseio seguro de dados em ambientes compartilhados de manufatura ou pesquisa.
Ao aproveitar os recursos do Milvus em sistemas RAG com LLMs específicos de domínio, indústrias como a manufatura de semicondutores podem criar ferramentas poderosas para resolução de problemas, otimização de processos e preservação do conhecimento. Essa combinação de tecnologias aborda os desafios da escassez de especialistas e do gerenciamento complexo de dados em ambientes industriais modernos.
Implicações para a Indústria de Semicondutores e Além
A combinação de modelos de linguagem específicos de domínio, sistemas de IA agêntica e bancos de dados vetoriais tem várias implicações para a indústria de semicondutores e outros setores de manufatura complexa:
Abordando a escassez de expertise: Esses sistemas de IA podem capturar e disseminar o conhecimento de profissionais experientes, ajudando a mitigar o impacto da aposentadoria de especialistas e da escassez de talentos. Isso é crucial em áreas como o projeto da TSMC no Arizona, onde a expertise local em manufatura de semicondutores pode ser limitada.
Acelerando a inovação nos processos de manufatura: Ao analisar rapidamente vastas quantidades de dados e sugerir otimizações, a IA pode acelerar o desenvolvimento e o refinamento de técnicas de manufatura. Isso poderia levar a uma adoção mais rápida de novas tecnologias, como litografia ultravioleta extrema (EUV) ou empilhamento de chips 3D.
Tornando a expertise de alto nível mais acessível em toda a organização: Sistemas de IA podem fornecer aconselhamento em nível de especialista a funcionários menos experientes, democratizando o conhecimento e melhorando a tomada de decisões em todos os níveis de uma empresa.
Possibilitando a criação de sistemas de IA personalizados e proprietários: As empresas podem construir sobre essas bases de IA para criar sistemas adaptados aos seus processos de manufatura específicos, potencialmente proporcionando uma vantagem competitiva.
Ajudando empresas a estabelecer operações em novas regiões: Sistemas de IA podem ajudar a transferir conhecimento e melhores práticas para novas instalações, potencialmente facilitando os desafios de estabelecer operações de manufatura em áreas com menos experiência na indústria de semicondutores.
Aprimorando a otimização e a eficiência de processos: A análise e a otimização contínuas dos processos de manufatura podem levar a melhores rendimentos, redução de desperdício e maior eficiência geral. Isso é crucial em uma indústria em que até pequenas melhorias no rendimento podem se traduzir em economias significativas de custos.
Melhorando a manutenção preditiva e o controle de qualidade: A IA pode prever falhas de equipamentos e problemas de qualidade antes que ocorram, permitindo manutenção proativa e garantindo qualidade consistente do produto. Isso é particularmente importante na manufatura de semicondutores, onde o tempo de inatividade de equipamentos e defeitos podem ser extremamente custosos.
Facilitando uma adaptação mais rápida a novas tecnologias: À medida que novas tecnologias de manufatura surgem, os sistemas de IA podem incorporar rapidamente esse conhecimento, permitindo uma adoção mais rápida de técnicas de ponta. Essa agilidade é crucial na indústria de semicondutores, de ritmo acelerado, onde avanços tecnológicos ocorrem rapidamente.
Conclusão
Robertson e Shruti fizeram um ótimo trabalho ao mostrar como a IA específica de domínio e arquiteturas avançadas como o OpenSSA podem preencher a lacuna de expertise na manufatura de semicondutores. Ao integrar o Milvus, vemos como ferramentas poderosas para gerenciamento de dados vetoriais podem aprimorar a capacidade da IA de entregar soluções precisas e em tempo real em indústrias altamente especializadas. Seus insights enfatizam que, com a tecnologia certa, até mesmo os campos mais complexos podem aproveitar a IA para inovar e otimizar processos de forma eficaz.
Continue lendo
Milvus 2.6.x Now Generally Available on Zilliz Cloud, Making Vector Search Faster, Smarter, and More Cost-Efficient for Production AI
Milvus 2.6.x is now GA on Zilliz Cloud, delivering faster vector search, smarter hybrid queries, and lower costs for production RAG and AI applications.
Introducing Zilliz Cloud Global Cluster: Region-Level Resilience for Mission-Critical AI
Zilliz Cloud Global Cluster delivers multi-region resilience, automatic failover, and fast global AI search with built-in security and compliance.
Vector Databases vs. Key-Value Databases
Use a vector database for AI-powered similarity search; use a key-value database for high-throughput, low-latency simple data lookups.