AWS
活動+
 

矽品自組AI團隊 大膽啟用零工作經驗新鮮人

矽品自內部組建AI團隊完成智慧瑕疵檢測專案。李建樑攝

半導體封測廠矽品自2018年導入自動瑕疵分類(Automatic Defect Classification;ADC)方案計畫,在瑕疵檢測流程中結合AI,希望改善傳統AOI設備過度篩檢的問題,整個計畫矽品僅用了9個月便順利完成開發,且實際上線後的表現也符合預期水準,但令人意外的是,由矽品技術開發處處長萬國輝帶領負責執行計畫的團隊,成員卻僅有4人,而且是招募零工作經驗的新鮮人,從公司內部培養、建構出的AI團隊。究竟矽品如何在9個月中成功練就AI實戰力,對此萬國輝分享了一些實際經驗。

對於想要進一步擁抱AI的企業,萬國輝從產業角度建議,企業首先必須挑選合適的題目來做。在選定題目前需掌握兩個基本原則,一是不能太好高騖遠,將預期門檻設定太高容易自嚐苦果,二則是應設定實務效益明顯的目標,否則不僅不易彰顯成果,也難以說服經營管理者投入資源的意願。
矽品執行AI瑕疵檢測專案,便是基於上述原則的考量,包括可節省多少人力、縮短多少時間等的效益指標都非常明確,且當前影像辨識技術相對成熟,有助於提高專案執行的信心度,在短期內就能看到預期效果。

AI大神吳恩達上周應邀來台暢談AI未來發展,他也特別提到,企業推動AI專案,最好先從內部建構AI團隊,由於更了解自家問題,在專案執行上就會更有效率。組建這支AI團隊,萬國輝謙虛地笑稱自己其實是一名AI門外漢,但事實上,僅有4人的團隊成員雖是零工作經驗的新鮮人,但論文研究皆與人工智慧應用相關,這是進入團隊的入門條件,除此之外,萬國輝過去的論文研究也專注在電腦模擬運算,因此對於AI開發,團隊一點也不陌生。

萬國輝坦言,現在市場上確實難以找到同時懂AI也具備產業經驗的人才,會啟用新鮮人,多少有些人才難求的無奈,不過萬國輝認為,團隊既是從頭開始,不妨邊做邊學,新鮮人的創新思維或可碰撞出新的火花,因此大膽嚐試,也未必是壞事。

在AI專家協助下 少走冤枉路

但沒有實務經驗,真的能夠成功嗎?相信這也是許多製造業者心中的疑問。在導入AI專案的過程中,矽品的做法則是一路從做中學,在9個月完成專案開發的過程中,團隊至少有6個月時間,是在NVIDIA專家的協助下學習與操作,由於有些學校實驗室習慣使用R語言或Matlab,團隊甚至也從頭開始學習Python,而彼此的合作模式也如同老師與學生,得依據學習進度繳交「作業」,或在NVIDIA的建議下從線上教育平台Coursera選擇合適教材進修課程。

從初期主要由NVIDIA專家協助專案建立模型、部署推論(Inference)環境等,到後期團隊逐漸培養獨立思考能力,能夠嘗試自主修改、調整模型,加上NVIDIA專家從旁指導以及協助實際操作下,團隊便能夠很清楚、迅速掌握專案的執行方向。
事實上,像矽品這樣透過企業專家協助的案例不在少數,導入AI並非一蹴可幾,除了資源、時間外更需要核心技術,缺一不可。企業不可能凡事硬著頭皮自己來,因此除了NVIDIA,現在市場上包括微軟、IBM等大型企業內部都建立AI專家團隊,提供包括諮詢、評估或協助專案執行等的服務,目的便是希望在AI專家的協助下,企業能夠少走冤枉路。

多部門協同作業 團隊溝通是關鍵

產業AI化,其實還涉及多個單位的協同作業,像是AI工程師的專長是開發AI,但一旦涉入產業Know how時,便是外行人,包括針對瑕疵成像的定義,各種瑕疵種類的構成因素等與製程相關之專業知識,就得交由AOI工程師處理,因此萬國輝也建議,雙方必須建立良好的溝通互相配合,否則只會各行其事而徒勞無功。

此外,有時一個簡單的指令與需求,真正執行下來會牽涉到許多不同單位的配合與支援,這時候團隊領導者的角色相當重要。萬國輝以自己為例,為了讓團隊的AI工程師專注開發,像是跨單位的協調、溝通與整合則由他一手包辦。

以蒐集瑕疵樣本來說,先是影像存放在哪裡、有無權限取得,接著是否需要協調製程工程師(PE)進行篩選或分類,並確保影像內容的正確性,再者,樣本動輒數萬張,根本無法靠人工手動搬移,這時就得請IT部門支援寫程式,讓樣本能夠從AOI設備中自動搬移到團隊的電腦裡,而這些都是實務操作上看似不重要,但卻又環環相扣的作業流程。

萬國輝在團隊裡還有一個任務,就是幫團隊成員「醒腦」。他指出,有時候AI工程師常會被侷限在自己所設定的框架中,例如過於追求結果,反而耗費太多時間糾結於模型精準度些微的差異,但卻忽略此差異對於實際情況的重要性。這是團隊常會面臨的瓶頸之一,多數產業在意的是AI的可行性與實用性,如果沒有產生實質且顯著的改善效果,對於結果來說其實並沒有什麼不同。

此時NVIDIA的AI專家也扮演相當重要的角色,能夠適時以技術的角度切入,建議團隊工程師跳脫框架去嘗試不同的架構,或許在突破盲點的情況下才有可能獲得具體進展。由於團隊的AI工程師學術經驗豐富,但產業經驗不多,因此作為團隊的領導者,從產業角度萬國輝也得時常緊盯AI工程師的方向對不對,像是當AI Model反覆不得預期效果時是否應該另闢蹊徑以避免工程師鑽到死胡同。產業的節奏相當快,如何能夠在最短時間內產生最大效益而免於做白工,不只是矽品團隊,對於AI工程師來說,也是一門必修的課題。


  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 矽品 人工智慧