Page 105 - Vol.43
P. 105
• EC Stage 01 : Y2021，F12及F18資料轉入EC，並執行 3.1.4 AI人工智慧
Data Scheme定義。
人工智慧是用大量資料來找出系統運作規則與模型，而
• EC Sage02 : Y2022，制訂EC管理OI，並著手納入其
資料量越大，推論的結果也越趨精準。如 圖17是目前人工智
他廠區如F15、F14、F20、F21、F16、200mm廠區，
慧擅長解決的問題的象限。
讓管理一致，Lesson Learnt不再發。
樣本多少即是所謂資料量，情境相關則是指情境的觀測
• EC Sage03 : Y2022，利用適當統計手法，將確定EC
能力。在第一象限中資料的量大及所有資料皆被掌握，所以
的設定是否合適。
是AI擅長得領域；第二象限，雖然是亦是影像居多，但是故
障或是資料少，在準確度也不高；第三象限，則是因為情境
的觀測能力尚未完整，所以準確度亦不高；第四象限，是AI
最不擅長的部份，資料少而且情境的觀測能力非完整。
而從上述分類可以知道資料量的多，與情境的掌握度
高，則使用AI的應用成功機會大，而且由上述四象限可以知
[11]
道，影像相關人工智慧應用，在第一、二、三象限 。而單
純影像辨識的錯誤率，2017時低於2.3%，已經超越於人類的
[12]
5% ，如 圖18。
圖15、開門10件事系統中的EC
3.1.3 FAM/PM系統
FAM(Facility Asset Management)，也與廠務物料管理系
統結合。廠務系統的管理系統逐步導入FAB系統，而與FAB車
同軌、書同文、形同倫，管理也逐步將廠務系統FAB化。FAB
機台的SMP(Sigma Matching Platform)，是以相同Tech. Node
機台為單位，內部的PRS A From(硬體)/B Form(軟體)再來做
Matching，Tech. Node機台就是TCP(Matching框架)，PRS A
From(硬體)/B Form(軟體)就是AEC(Detail)，如此能夠做到大
範圍的SMP與一致化的管理。而目前所設計的FMCS管理系
統，也是依此概念，整個架構如 圖16。
圖17、AI人工智慧擅長解決的問題
圖18、ImageNet大規模識別大賽(ILSVRC)冠軍的圖片物體
分辨錯誤率
圖16、FMCS管理系統架構
FACILITY JOURNAL 09 2021 103
