ファウンドリ向け

分析・予測・運用で
多様な工程の歩留まりを支える

顧客ごとのレシピ、多様な製品、多数の装置にまたがる工程の課題を特定し、処理前に結果を予測。生産現場でのAI性能を維持します。

ファウンドリが直面する課題

製品や顧客要件の違いによって、工程条件は多様になります。技術者には、レシピ設定、装置の挙動、製品の違いが結果にどう影響するかを把握することが求められます。

新工程の導入には、分析と調整の繰り返しが必要です。影響の大きい要因を早期に特定することで、工程の最適化を加速できます。

装置、製品、検査環境の変化は、モデルの性能に影響することがあります。継続的な監視によって、生産条件に即したAI運用を維持します。

因果分析、AIモデルの運用、外観検査、製造知識を組み合わせ、生産現場の課題に対応します。

Scroll horizontally to view the full table.

課題	製品	実現できること
新工程の立ち上げ	因果AIプラットフォーム	工程の課題を特定し、処理前に結果を予測して、条件調整を最適化します。最先端の微細化プロセス開発において、歩留まりの立ち上げを20〜30％高速化。
装置を横断したAI運用	エンタープライズMLOps	AI性能の監視、ドリフト検知、再学習・評価の管理を行い、生産装置にまたがるモデル展開を調整します。
人手による欠陥レビューの負担	外観検査AI	欠陥のレビューと分類を効率化し、検査時間を分単位から秒単位へ短縮します。
知識・ノウハウの継承	ローカルLLM	構造化された知識、技術文書の検索、ローカルAIによる支援を通じて、製造の専門知識を活用しやすくします。

装置・工程・センサーデータを統合 → 因果関係を分析 → 工程の結果を予測 → 処理判断とパラメータの最適化に活用使用製品：因果AIプラットフォーム

工程・装置・検査データを統合 → 因果グラフを用いて原因候補を追跡 → 反実仮想分析により代替条件を検討 → ローカルLLMで改善案を説明使用製品：因果AIプラットフォーム、オントロジー型ローカルLLM

現場に適した導入形態をお選びください。導入形態と実装について

お客様の工程、データ、導入環境についてご相談ください。